谱聚类是近几年研究得比较多、应用逐渐广泛的一种聚类分析算法。谱聚类算法建立在谱图理论基础上,与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解的优点。谱聚类算法还利用特征向量构造简化的数据空间,在降低数据维数的同时,使得数据在子空间中的分布结构更加明显。本文首先详细的介绍了谱聚类算法及其分类,分析了谱聚类算法面临的挑战以及存在的问题,总结性地提出了几个有价值的研究方向。接着简单的介绍了谱图理论,然后根据图划分准则对谱聚类算法进行分类,着重阐述了各类中的典型算法,并对算法进行了比较分析;以模糊理论概念为前提,分析其在聚类中的应用;讨论了几种常用的有效性评价的方法,并对各种方法做了分析。本文随后提出的自适应半监督模糊谱聚类算法,利用半监督机器学习技术、自适应聚类算法和FKCM,解决算法中存在的聚类数目需要事先确定、易陷入局部最优、收敛速度缓慢、对孤立点敏感等缺陷。实验证明该算法聚类效果很好。最后,本文在自动确定聚类数目的基础上,结合模糊理论与谱聚类算法,提出了一种应用在多文本聚类中的模糊聚类算法,该算法主要描述了如何实现单个文本同时属于多个文本类的模糊谱聚类方法。实验仿真结果表明该算法具有很好的聚类效果。