De nombreux algorithmes de regroupement échouent lorsque les clusters présentent des formes arbitraires, des densités variables, ou lorsque les classes de données sont déséquilibrées et proches les unes des autres, même en deux dimensions. Un nouvel algorithme de regroupement, appelé DenMune, est présenté afin de relever ce défi. Il repose sur la détection des régions denses à l’aide de voisinages mutuels de taille K, où K est le seul paramètre requis de l’utilisateur, sous réserve de respecter le principe de cohérence des voisins mutuels les plus proches. L’algorithme est stable sur une large gamme de valeurs de K. De plus, il est capable de détecter automatiquement et d’éliminer le bruit au cours du processus de regroupement, tout en identifiant les clusters cibles. Il produit des résultats robustes sur divers ensembles de données à faible et à haute dimension, par rapport à plusieurs algorithmes de regroupement de pointe connus.