互联网的快速发展使得数据的存储与利用被广泛的研究,聚类作为数据挖掘中一种重要的方法,能够仅根据数据中简单的描述关系信息对数据进行适当的分组.然而,传统的聚类算法具有不稳定和鲁棒性较差的缺点,这使得在许多聚类任务上往往无法达到预期的聚类效果.为了提升传统聚类算法的性能,研究者利用少量数据的先验信息（成对约束）和应用集成学习的思想,分别提出了半监督聚类和聚类集成方法来改善传统聚类的缺点.而半监督聚类集成算法能够结合这两类方法的优势取得更好的聚类效果,受到越来越多的关注.已有的半监督聚类集成算法很少考虑将先验信息利用在集成过程中,并且平等地对待所有的簇,忽视了不同簇的质量对最终聚类结果的影响,从而无法对聚类集成中样本相似性更精确的定义.因此,本文提出了基于约束权重的两阶段半监督聚类集成算法.该算法首先定义每一对约束的权重来区分不同约束的重要性.在第一阶段,在考虑先验信息的情况下,基于基聚类的质量和多样性来选择一组合适的基聚类子集,以减少冗余基聚类的影响.在第二阶段,同时考虑基聚类的标签信息和先验信息以定义每一个簇的质量.最后,以加权共联矩阵作为一致性函数,得到最终聚类结果.针对半监督聚类集成算法在高维数据上的聚类精度较差和先验信息有时难以获得的问题,提出一种基于拓展约束投影的加权半监督聚类集成算法.该算法首先利用多种聚类算法对数据的特征空间进行聚类,并利用随机子空间技术对数据进行降维.该过程可以减少无关特征的选择,保证子空间的多样性.然后,根据约束间k近邻的关系扩展原有的约束集,并使用约束投影技术对数据进一步降维.最后,设计了一个基聚类的加权策略.该方法在一致划分阶段为每一个基聚类适当地分配一个权重,以减少低质量基聚类对最终聚类划分的影响.为了说明两种算法的有效性,本文在UCI、图像和基因表达数据集上进行了多种实验.实验结果表明所提出的两种算法在大部分数据上优于对比的聚类集成算法或半监督聚类集成算法,聚类性能得到一定的提升.