如今聚类分析已成为数据挖掘领域的重要分析手段,根据机器学习的划分聚类分析属于无监督学习.在基于现实问题的不断发展过程中,模糊理论可以有效地描述样本之间不确定性,而半监督学习方法能够利用先验知识,这两种理论引起了聚类分析领域学者的广泛关注.在前人已有的理论基础上,通过拓展极大熵聚类算法提出基于模糊理论的半监督聚类分析算法,该数学模型的中心思想是将聚类分析问题变为一个带约束条件的数学问题,利用最优化求解过程来确定样本数据集的模糊划分和聚类情况.此类研究已经取得了重要的研究成果,但针对不同数据集的具体情况,如何有效利用基于成对约束的目标函数处理聚类样本依然值得探索.本文在基于功效散度和成对约束的半监督聚类算法(PD-s SC)基础上,针对PDs SC算法在成对约束数目较大时,聚类效果不够理想情况展开研究.为了解决上述问题,本文依据相关研究理论做了如下工作:1.针对成对约束数目较大问题进行分析,引入闭包准则将成对约束中的must-link约束类进行打包处理,降低原始数据成对约束容量,利用各个包的中心点替代整个闭包结构重新构造新的cannot-link约束,确保在聚类过程中算法不会产生违反must-link约束问题,需要说明的是,新样本带更新后的cannot-link约束但没有must-link约束,最后在PD-s SC算法基础上构造新的目标函数得到CCPC算法,再对新样本进行聚类分析.2.在编程实现CCPC算法的过程中,对隶属度向量进行归一化操作时,为了解决算术溢出问题,加入了截尾指数函数对算法流程进行控制项干预,降低了编程难度.经过实验测试,截尾指数函数替换对CCPC算法的聚类效果影响忽略不计.3.实验研究通过选取UCI标准数据集和采集现实特征数据集,利用闭包准则和三种聚类评价指标的方法,设计对应的算法实验过程,并选择PD-s SC算法、CE-s SC算法、PCBKM算法和SSC算法进行实验比较.实验结果表明,无论成对约束数目是大是小,CCPC算法都有很好的表现.