聚类作为挖掘数据结构信息的有效工具之一,已被广泛应用于图像处理、生物信息学与数据挖掘等众多领域。根据在聚类目标函数中是否引入特征权重,可将聚类算法分为传统聚类算法与特征加权聚类算法。传统聚类方法(诸如k均值和模糊c均值等)未对数据特征对聚类的不同贡献或重要度进行区分,结果当处理高维数据时,由于未考虑高维数据特征间存在的相关性和冗余,常导致期望不足的聚类性能。但现有的特征加权聚类算法能获得特征权重但未必符合用户所期望的相对重要性(或偏好)。为弥补这一遗漏,本文尝试利用用户给定的特征间的实际偏好,提出两种能尽可能真实反映特征偏好的聚类方法,具体总结如下:1.将Sun等人的基于Bregman散度的聚类算法CFP进行改进,通过利用用户给定的实际偏好,将现有独立于个体聚类的全局加权型偏好聚类方法拓展至聚类依赖的局部特征加权型方法,以此来体现聚类过程中各特征对不同类别贡献的大小或重要度,结果可避免原有算法仅利用了全局特征的欠缺。同时结合特征偏好约束,使聚类过程所获权重能更好地遵守特征间的先验关系。而其中所用策略也可拓展至相关聚类算法和应用领域。最后在UCI数据集上的实验结果验证了算法的可行性。2.提出了结合特征信息与样本信息的半监督聚类算法,并将特征层面的先验信息通过特征偏好形式加以体现。不同于通常意义的半监督聚类算法,其仅仅从单一的特征层面或样本层面赋以半监督信息。本工作则通过将两种信息相结合,拓宽了先前限于单一层面的半监督聚类算法。在数据集上的实验验证了其比单一层面的半监督聚类算法有更优的性能。