随着网络技术、数据存储和数据采集能力的快速发展,每天都会产生大量的数据,如何从这些大量的数据中提取出有价值的信息就变的极其不容易。在大数据时代聚类算法已经成为获取有用信息不可或缺的重要手段。无论是什么聚类算法都有其优点和缺点,没有单一的聚类算法能够处理所有类型的数据结构和群集形状。对于一个给定的数据集,如果是毫无先验知识的情况下,这就会很难选择哪种聚类算法来完成给定的聚类目标。集成聚类方法的提出为数据的挖掘提供了一个更好途径,能够很好的克服聚类算法中的一些不足。集成聚类主要是结合了集成学习的思想,首先运行聚类算法来获取多个基聚类,然后通过一致性集成得到集成聚类结果。本文对集成聚类算法的原理和方法进行了深入的研究。目前已有许多国内外学者提出了不同的集成聚类方法。大多数集成聚类方法都是基于图划分的方法,但是几乎所有的基于图划分的集成聚类方法,集成聚类得到的结果并不是最终聚类结果,还需要利用聚类算法来获得最终聚类结果,在整个过程中会使得解由离散—连续—离散的转变。这就会使得最终得到的聚类结果与真实结果有较大的偏差。而且大多数方法忽视了基聚类质量的高低,若所得的基聚类质量很差时就会在一定程度上降低最终聚类结果的准确率。本文针对上述所描述问题进行了较为深入的研究工作。主要内容包括:1、对集成聚类算法框架的整体过程进行了详细介绍,并将整个过程总结为基聚类生成和一致性集成两个阶段,详细总结并分析了现阶段已有的一些典型算法,同时两种比较流行的聚类评价指标进行了介绍。2、提出了一种基于双边集成聚类算法。在给定的数据集上分别多次执行k-means算法产生多个基聚类结果;通过将基聚类结果和样本构建二部图,并对基聚类和样本同时聚类直接得到最终的聚类结果。通过实验将所提出的算法与其他集成聚类算法在真实数据集上进行了性能的比较分析。3、提出了基于谱聚类的双边集成聚类算法。该算法通过在给定的数据集上分别多次执行谱聚类算法产生多个基聚类结果;然后通过标准互信息来对基聚类结果进行选择;最后对基聚类结果和样本同时聚类得到最终的聚类结果。通过实验将所提出的算法与其他集成聚类算法在真实数据集上进行了性能的比较分析。针对已有大多数基于图划分集成聚类算法在一致性集成阶段只考虑样本与样本或基聚类与基聚类之间的潜在信息,忽略了样本与基聚类之间的潜在信息,不能直接得到最终的聚类结果,而且忽略了基聚类的质量对集成聚类结果的影响。本文提出了两种集成聚类算法。所提的新方法进一步丰富了聚类分析技术,通过一系列的实验验证了所提出算法的有效性。