El algoritmo de agrupamiento espacial basado en densidad con ruido (DBSCAN) es capaz de agrupar conjuntos de datos con estructuras arbitrarias. Sin embargo, el resultado del agrupamiento de este algoritmo es excepcionalmente sensible al radio de vecindad (Eps) y a los puntos de ruido, y es difícil obtener el mejor resultado de manera rápida y precisa con él. Para abordar este problema, se propone un algoritmo de agrupamiento DBSCAN adaptativo a parámetros basado en el Algoritmo de Búsqueda de Gorrión (SSA), denominado SSA-DBSCAN. Este método aprovecha la capacidad de búsqueda rápida local de SSA, utilizando el número óptimo de clústeres y el coeficiente de silueta del conjunto de datos como funciones objetivo para optimizar y seleccionar de manera iterativa los dos parámetros de entrada de DBSCAN. Esto evita el impacto adverso de introducir manualmente parámetros, permitiendo el agrupamiento adaptativo con DBSCAN. Experimentos en conjuntos de datos sintéticos típicos, conjuntos de datos del mundo real de UCI (Universidad de California, Irvine) y tareas de segmentación de imágenes han validado la efectividad del algoritmo SSA-DBSCAN. El análisis comparativo con DBSCAN y otros algoritmos de optimización relacionados demuestra el rendimiento de agrupamiento de SSA-DBSCAN.