该文提出了利用支持向量及核方法来提高聚类的精度.与传统的聚类方法相比,基于支持向量的聚类方法有其新颖性,涉及到数据分析和机器学习领域中较新较前沿的一些思想和方法,如基于结构风险最小化(SRM)归纳原则的支持向量机学习算法、核方法等.该文一方面通过实验初步展示了其基本特性和运用效果,另一方面,也针对其存在的不足作了分析和改进,如理论上的解释、聚类的稳定性等.另一方面,针对聚类中模型选择(学习机或核中的有关参数)上的困难提出了在基于核的非线性主成分分析基础上对样本进行降维处理以便可视化聚类的思想,并结合实验研究探讨了通过对核矩阵中特征值的分析来估计样本集合中潜在的聚类数以便指导聚类过程的问题.我们希望通过这样来使得模型选择更为有效.另外,提出了一种基于聚类的用于求解有监督学习问题的框架,即先将样本集按其内在属性聚为若干类,然后在每一类中再分别构造求解,这样当面对新样本时,就可先将其归到某一子类,然后在子类中求解即可.