现如今随着科技的不断发展,在社会的发展历程中,数据扮演越来越重要的角色。海量数据的利用对于生活或者商业中构建合适的模型来预测特定的任务有很大的优势。所以,在社会实践应用中大数据无处不在,如生物医学领域的疾病数据,计算机视觉领域的图像数据,自然语言处理的文本数据的使用等。为了能够更好的挖掘数据潜在的价值,挖掘数据的技术成为了近段时间来的研究热点,如:聚类和推荐算法等。在机器学习和数据挖掘中,聚类是很重要的话题。如今,随着海量的无标签数据的使用,使得聚类效果越来越好,与此同时聚类算法的鲁棒性和稳定性也越来越重要,在已有的数据没有先验知识的情况下,基于一种样本间相似性的度量,将样本点划分到不同的簇中。聚类分析的目标就是使得簇内的样本具有很高的相似性,同时簇与簇之间的样本具有很低的相似性。现阶段单个的聚类算法具有较低的鲁棒性。在没有先验知识的情况下,对于一个给定的数据集,也很难决定选取哪个聚类算法更合适。因此,先对数据用单种或多种聚类算法得到多个基础聚类结果（简称基聚类结果）,再融合这些基础聚类信息得到更好的聚类结果的集成聚类方法受到了大家的关注,研究实验表明,集成聚类方法的结果具有更强的鲁棒性和更好的聚类效果。现今集成聚类方法的研究主要是基于投票机制,基于标签分配,基于成对相似性和基于图这几种算法,这些算法中,由于图聚类算法对于任意形状的样本相似度矩阵有更好的聚类效果,基于图的集成聚类算法常常具有更好的聚类表现,本文提出了基于图的集成聚类优化算法,然而现有的基于图的集成聚类算法往往存在以下问题:集成聚类算法需要融合基聚类结果,由于单个聚类算法可能会得到比较差的聚类结果,这些差的基聚类结果会对最终的聚类过程造成很大的影响。不同的基聚类结果产生相似度矩阵的结构是不同的,在融合过程中,如果只将基聚类结果产生的相似度矩阵相加作为最终聚类的相似度矩阵,很难保证能够得到一个清晰簇结构的相似度矩阵。本文提出了可以有效克服上述问题的集成聚类优化算法:提出了结构化集成聚类算法（SEC算法）。该集成聚类算法为每个基聚类结果构建一个权重用来评价每个基聚类结果的质量,同时增加了一个基于谱聚类原理的正则项,可以很好的避免以上问题。提出了二步图结构化集成聚类算法（SBCE算法）,本文在SEC算法的基础上拓展,为克服大数据处理的难点,该算法在原始数据集上寻找一定数量能够代表周围原始数据的锚点,通过计算锚点和原始数据点构造相似度矩阵的方法,即最大程度通过样本与锚点间的联系保留了样本之间的联系,又能够大大降低时间复杂度和空间复杂度。提出了二步图投影学习的集成聚类算法（SBGL算法）,本文在SBCE算法的基础上,为了克服基础聚类的聚类个数必须相同才能进行集成聚类的缺陷,该算法通过为每一个基础聚类结构构件一个投影矩阵,使得不同聚类个数的基聚类结构能够统一尺寸,避免了需要基础聚类必须有相同的聚类个数的要求,同时也很大程度上保留了样本间的信息。实验中选取了基准数据并分析了算法的参数以及选择的锚点数对聚类评价指标的影响,最终将提出的三种集成聚类优化算法与近年的集成聚类算法进行对比后验证了算法的优越性。