随着互联网技术、社交机器人、协作远程呈现等新兴技术的快速发展,获取得到的数据规模越来越大,数据包含的信息也越来越丰富且以高维数据的形式涌现出来。聚类分析作为数据挖掘中的一项重要研究内容之一,在信息处理中是不可缺少的。传统的聚类分析方法受“维灾”和数据本身稀疏性的影响较大,已无法适应于海量数据分析。本文采用高斯混合模型定义下的相关子空间,对基于相关子空间的投影聚类分析算法以及应用进行了深入学习和探究。其主要研究成果如下:(1)给出了一种基于高斯混合模型的相关子空间投影聚类分析算法。该算法采用K近邻得到每个数据对象的局部数据集LDS,并引入稀疏度因子生成稀疏度矩阵,而后进行高斯拟合并结合稀疏度矩阵,识别出相应的相关子空间和不相关子空间;根据相似性度量,剔除稀疏数据和无关属性维,进行K-means算法进行聚类;选UCI数据集进行实验,验证了该算法的有效性。(2)给出了一种基于数据段划分最大距离积和聚类指数的聚类算法。该算法利用数据段划分使选取的中心点尽可能远,减少迭代次数和陷入局部最优的概率;对得到的中心点求解中心点间的距离之积,选取距离之积最大的作为初始聚类中心,并参照设定的聚类指标,确定合适的k值;选UCI数据集进行实验,验证了该算法的有效性。(3)基于上述研究成果,以Eclipse作为开发平台,设计与实现了基于高斯混合模型的相关子空间投影聚类分析原型系统,并对其关键技术进行了详细说明,其运行结果分析表明,该原型系统为天体光谱数据的知识发现,提供了一种有效的途径。