在目前复杂网络聚类算法中，基于Laplace特征值的谱聚类方法具有严密的数学理论和较高的精度，但受限于该方法对簇结构数量、规模等先验知识的依赖，难以实际应用。针对这一问题，基于Laplace矩阵的Jordan型变换，提出了一种先验知识的自动获取方法，实现了基于Jordan矩阵特征向量的初始划分。基于Jordan型特征值定义了簇结构的模块化密度函数，并使用该函数和初始划分结果完成了高精度聚类算法。该算法在多个数据集中的实验结果表明，与目前主流的Fast-Newman算法、Girvan-Newman算法相比，基于Laplace矩阵Jordan型聚类算法在不依赖先验知识的情况下，实现了更高的聚类精度，验证了先验知识获取方法的有效性和合理性。