【目的】针对基于密度峰值聚类的自训练算法中错误标记样本会造成分类正确率降低，以及当已标记样本分散时密度峰值聚类算法结果易受到截断距离影响的问题，提出了结合合成实例与adaboostENN的密度峰值自训练算法。【方法】首先，用合成实例方法增加已标记样本的数量并提升空间分布的可靠性；其次，通过密度峰值聚类算法揭示数据空间结构，从而选择有代表性的无标记样本进行标记预测；最后，用集成噪声滤波器来更准确地检测出被错误标记的样本并将它删除。【结果】通过12个UCI数据集上的实验验证了所提出算法的有效性。【结论】提出的算法不仅能有效地解决无标记样本被错误标记的问题，而且使得密度峰值聚类算法不易受到截断距离的影响。