作为统计学的一个分支，聚类分析技术已经被广泛地应用了许多年。使用聚类分析，可以将隐含在未知数据中的若干个类别划分出来，从而为用户提供潜在的知识。聚类融合是近几年提出的一个思想，它将多次运行单个聚类算法得到的结果进行融合，从而得到一个很好的聚类结果。近几年的研究实验表明，聚类融合方法能够很好地提高聚类算法的鲁棒性和稳定性。目前的研究主要集中在两个方面，第一个是如何产生有效的聚类成员，第二个就是如何设计共识函数以便对聚类成员进行合并。 本文对用于聚类融合的当前主流算法CSPA算法进行了分析，并指出了CSPA在产生票选共识矩阵时对所有的聚类成员都总是平等对待的，都相同程度地影响着最终的融合结果，不能反映各自的质量好坏和重要性，因此算法的融合结果还可以改进。本文就是针对此不足之处对CSPA算法进行扩展，主要着眼于如何设计一个新的共识函数，使聚类算法输出更加接近于自然聚类。提出了聚类成员按质量差异化的思想，并对此进行了建模，获得了产生差异化投票权共识矩阵的计算模型，同时设计出了基于差异化投票权共识矩阵的算法Extended—CSPA算法，最后通过实验比较了新旧算法性能的差异。实验表明，Extended—CSPA算法在精确度上优越于CSPA算法。