本文所解决的问题是如何集成多个划分或者聚类到同一个划分当中。本文所提出的算法是基于非负矩阵分解的一个算法,将输入矩阵分解成两个矩阵H和W。在回顾了当前集成聚类算法的研究现状之后,本文最开始采用了一种非常直接的基于非负矩阵分解的集成学习框架,并在这个框架上进行了两次拓展：CNA和INA。CNA算法在集成聚类框架中引入类的可靠性信息来对每个类赋予不同的权值,INA算法在集成聚类框架中引入样本的局部可靠性信息来对每个划分中的样本赋予不同的权值。对于这两种情况,本文采用协同下降算法来学习其中的参数：1)固定权值,求解H和W；2)固定H和w,求解权值。第一步是一个标准的NMF学习算法,第二步可以直接求得问题的解析解。因此相比其他基于非负矩阵分解集成聚类算法,本文所提出的算法是高效的。本文更近一步在多个benchmark数据集上与现有的6中算法进行比较。实验结果表明,在多种实验设置下,本文提出的算法显著优于其他算法。