聚类分析是一种处理无类别标记数据的有效方法,在数据挖掘、信息检索、图像分割以及机器学习等诸多领域皆有广泛应用。大数据时代的到来使聚类分析面临许多新的挑战。例如,当数据体量大时,如何高效地聚类;当特征维度大时,如何有效地聚类。对于聚类分析中特征维度大的难题,子空间聚类集成是一种行之有效的方法。但现存的子空间聚类集成算法在构造属性子空间时大多存在计算复杂度偏高的问题。之后,一种基于完全随机子空间的聚类集成算法被提出,该方法能够高效地构造属性子空间,但同时由于子空间构造方法的完全随机性导致每个子空间中不一定包含足够的重要属性,使得最终聚类结果不佳。针对这一问题,本文开展了随机子空间构造方法的研究,以期提出更为有效的子空间集成聚类算法。本文的主要工作如下:(1)提出了基于互补互信息的核属性选择方法,给出了带核随机子空间的构造方法;并基于带核随机子空间构造的基聚类器和常用的集成策略设计了基于带核随机子空间的聚类集成算法。由于这种带核随机子空间构造方法既保证了每个子空间对于数据集整体信息刻画能力,又保留了子空间之间的差异性,因此可以一定程度上提升基于随机子空间的聚类集成算法的性能。(2)基于属性重要度将所有属性分为不同层次,提出了基于分层属性的随机子空间生成方法;在每层子空间下压缩对象集,并在压缩的对象集上构造基聚类器;利用已有的集成策略,提出了基于分层随机子空间的集成聚类算法。由于在基于分层属性的随机子空间生成方法构造的子空间中,属性的重要性分布合理、子空间之间具有一定差异性,并且通过压缩子空间下的对象集可以减少参与基聚类的对象规模,因此,基于本文提出的方法可以高效地获得较高性能基聚类器,进而改善基于随机子空间的聚类集成算法的性能。(3)设计并实现了一个多功能聚类系统的开发,系统包括数据导入、聚类分析、聚类评估和图形可视化等功能。系统中集成了基于本文提出的两种子空间生成策略的聚类集成算法,旨在展现不同子空间构造方法对随机子空间聚类集成算法性能的影响。此外本系统还提供一些基本聚类算法,可作为一个通用的聚类分析工具软件使用。