Viele gängige Clustering-Algorithmen versagen, wenn Cluster beliebige Formen aufweisen, unterschiedliche Dichten besitzen oder die Datoklassen unbalanciert und eng beieinander liegen, selbst in zwei Dimensionen. Es wird ein neuartiger Clustering-Algorithmus namens DenMune vorgestellt, der dieser Herausforderung gerecht wird. Der Algorithmus basiert auf der Identifizierung dichter Regionen mittels wechselseitiger Nachbarschaften der Größe K, wobei K der einzige vom Benutzer anzugebende Parameter ist, unter der Voraussetzung, dass das Prinzip der wechselseitigen Nachbar-Konsistenz eingehalten wird. Der Algorithmus ist für eine breite Spanne von K-Werten stabil. Zudem ist er in der Lage, Rauschen automatisch zu erkennen und aus dem Clustering-Prozess zu entfernen, sowie die Zielcluster zu identifizieren. DenMune erzielt robusteres Ergebnis auf verschiedenen niedrig- und hochdimensionalen Datensätzen im Vergleich zu mehreren bekannten state-of-the-art-Clustering-Algorithmen.