数字化时代的到来让我们面临着“数据膨胀知识匮乏”的困境，数据挖掘技术在这种大需求的背景下应运而生。聚类分析是数据挖掘领域的一个重要分支，半监督聚类算法更是近几年来科学研究的热点话题。半监督聚类方法融合有监督学习和无监督学习的优点，既充分利用了少量已标记的数据信息对聚类过程进行约束指导，又不需要对大量的数据进行标记，计算精度高，而且半监督聚类方法更贴近实际情况，容易实现。本文主要针对半监督的K-均值聚类算法进行系统的研究和改进，具体的研究工作安排如下：（1）论述了数据挖掘产生的背景和技术支持，并指出了数据挖掘的研究意义、应用背景和未来的发展方向。（2）针对核函数K均值聚类算法，论述核函数的性质，提出一种构造核函数的方法，并系统的论述了多核方法的构造理论，以及多核参数的优化选取问题，分析了多核学习的几种典型方法的特点和不足之处，并指明其进一步的研究方向。（3）针对高维数据处理的“维灾难”问题，提出使用多维尺度变换的方法进行降维，与CPA等多种降维方法比较，该方法不仅效果更佳而且保持了数据之间的内在关系。（4）提出一种新的衡量数据间相似性的方法，可以同时兼顾类之间和类内部的相似性度量，在此基础上提出自适应的寻求最佳聚类数方法，首先使用树聚类进行簇数的预估，减小计算的复杂度，然后运用自适应的方法，最小化目标函数，从而得到最佳聚类数。（5）针对以往的半监督聚类算法只能处理具有完备标签数据的缺点，提出一种处理不完备标签数据的半监督K均值聚类算法，并改进最优聚类中心的寻取算法，与最大最小距离法相比，计算复杂度大大降低。论文最后对本课题的工作做了总结，并进一步展望了下一步的研究方向。