聚类集成算法主要由两个步骤实现:通过基础聚类器产生基础聚类成员;通过共识函数(集成策略)集成基础聚类成员。在数据处理方面,聚类集成较传统聚类效果显著,因此聚类集成已经逐渐成为无监督学习领域的热点研究。目前对聚类集成的研究主要集中在集成策略上,而对基础聚类成员的度量和优化的研究较少。本研究基于信息熵理论,提出了一种基础聚类成员的质量度量方法。并在对基础聚类成员质量量化的基础上,提出了一种新型的聚类集成算法框架以及三种基础聚类成员过滤算法。具体研究工作包括:(1)基于信息熵理论,使用信息熵对基础聚类中各类簇进行不确定性度量。结合互信息理论得出基础聚类成员相对基础聚类集合(成员集合)的平均类簇不确定性,并定义为基础聚类成员质量权重,记作类簇平均熵。(2)扩展现有聚类集成的两步算法框架,引入基础聚类预处理步骤。分别结合两支决策(三支决策的一种特殊表达)、三支决策以及序贯三支策略进行基础聚类预处理(进一步筛选基础聚类)。(3)按照上述三步框架,构建基于两支决策的基础聚类过滤机制(2BIA)和基于三支决策的两种基础聚类过滤机制(BCF3WD、BCFS3WD)算法模型。具体来说,在2BIA中,若基砌聚类成员质量度量小于预设阈值ξ,则删除该成员,并添加新成员以保持成员集合基数不变。在BCF3WD中,若基础聚类成员质量度量小于预设阈值α,那么删除该成员;若成员质量度量大于预设阈值β,则保留该成员;若成员量度量大于α且小于>夕,则重新计算该成员质量。类似BCF3WD,在BCFS3WD中,首先进行三支决策。其次,改变阈值α夕重新三支决策。这三种机制都会重复执行,直至达到停止条件为止。(4)对比实验表明,三种过滤算法都能有效提高聚类集成性能。对于复杂数据集,三种算法过滤效果明显,且序贯三支方法较其余两种算法时间消耗更小。