近年来，随着信息技术的飞速发展、数据集规模的不断膨胀，如何有效地分析这些海量数据并从中提取有用的信息成为研究的热点和难点。聚类分析，作为一种无监督的机器学习方法越来越受到人们重视并得到了快速的发展，已经被广泛应用于生物信息学、互联网技术和图像分析等重要领域。一般的聚类算法在低维数据上能取得较好的结果，而在处理高维数据时会发生“维数灾难”。随着数据维度的增加，数据变得稀疏，样本之间的距离差距不再明显，同时噪声特征和冗余特征也随之增多，这些因素都可能导致聚类算法的有效性大大降低。因此，针对高维数据的聚类算法研究已经成为机器学习领域研究的难点与重点。同时，很多聚类算法对数据有很多约束条件，如限制簇的数目以及形状等等，而这些限制在实际问题中往往不能得到满足，所以如何设计有效的“无参”的聚类算法也非常重要。本文以高维数据上的聚类方法研究为主线，结合集成技术、Boosting技术等，对高维数据的聚类问题展开深入研究，提出了一些新的聚类算法。全文的主要贡献包括：（1）集成聚类能够综合利用多个聚类结果提高聚类结果的稳定性和准确性近年来大量的集成聚类算法被提出，然而其中绝大部分算法将每个基聚类、每个样本或每个簇平等地对待。一些算法尝试在集成过程中使用簇或者基聚类的权重，然而还没有相关的研究工作在集成过程中更细粒度地考虑样本的权重。为了解决这一问题，本文提出样本加权的集成聚类算法(Weighted-Object Ensemble Clustering, WOEC)。WOEC首先通过共联矩阵去评估每个样本难划分的程度，并为样本分配相应的权重。本文提出三种集成聚类方法来利用样本的权重，这三种方法都把集成聚类问题转化为图的分割问题。大量实验证明WOEC算法的优越性以及对参数的鲁棒性。（2）Mean Shift（均值偏移算法）是一种“无参”的聚类方法，它不需要指定簇的数目和形状。它为每个点做概率密度估计，并不断沿着邻域内的概率密度增加最大的方向移动直至收敛。收敛到同一个模的所有样本点被划分为同一类。运行时，由于高维数据的稀疏性以及噪音特征的存在，Mean Shift的有效性大大降低。为解决这一问题，本文提出一种加权的自适应均值偏移聚类算法(A Weighted Adaptive Mean Shift ClusteringAlgorithm, WAMS)。首先，WAMS分析每个样本点所在的子空间信息，并将这些信息应用到Mean Shift算法中，从而避免在原始空间里计算距离。WAMS能够有效地处理高维数据，并同时保持了Mean Shift的“无参”特性。利用随机采样技术，可以加快WAMS的运行速度，而不会牺牲WAMS的准确性。本文在大量人工和真实数据集上证明了WAMS算法的有效性。（3）Mean Shift算法的另一个缺点是对参数（带宽）的选择敏感，而且不能处理一簇多模的情况。DBSCAN是另一种流行的基于密度的聚类算法，它也对参数敏感且容易合并有交集的簇。为了克服这些缺点，本文提出一种增强的均值偏移聚类算法(BoostedMean Shift Clustering, BMSC)。BMSC通过一个网格划分原始数据并局部地在网格的每个单元执行Mean Shift算法，这样每个单元可以提供一组中间过程的模(iModes)。本文提出一种模-增强的技术以迭代地选择稠密区域的样本，而DBSCAN被用来划分已得的所有iModes。计算复杂度分析说明了BMSC有处理大规模数据的潜力，实验也证明了BMSC算法的有效性和鲁棒性。