集成学习作为一种机器学习框架,以综合多个学习器的方式获取比单一学习器更加优越的泛化性能,聚类集成是以集成学习的思想通过组合多个基聚类器以提高聚类的准确性、稳定性和鲁棒性。而以分布式存储的大规模数据分析为目标的分布式聚类其本质上正是属于一类基于异构数据选择的聚类集成,可被称为中心化聚类集成。本文首先在聚类集成算法理论的基础上,针对一致性函数中忽视基聚类结果间差异性的问题,结合粒计算和信息熵的思想,研究一种改进共联矩阵的聚类集成算法。其次,充分考虑聚类集成和分布式聚类之间的关联性,研究基于聚类集成一致性函数的分布式聚类,将分布式聚类中局部站点的核心点选取及全局聚类的问题转化成共联矩阵一致性函数的构建及聚类集成问题来解决。最后,综合课题理论研究,开发一款分布式聚类计算云平台系统,为分布式聚类计算等聚类分析工作提供一款便捷高效的云端服务。全文主要研究工作包括:（1）改进共联矩阵的聚类集成算法共联矩阵方法在聚类集成算法的一致性函数构造中扮演着重要角色。由于共联矩阵方法存在忽视基聚类结果间差异性和基聚类质量的问题,该问题将导致所构建一致性函数划分能力变弱。借鉴粒度计算理论在处理不确定问题方面的优势,首先引入粒度距离对初始基聚类结果进行筛选,得到预处理基聚类结果;接着设计了一种新的共联矩阵计算方法,将归一化后的平均熵纳入到共联矩阵的元素计算之中,从而提出一种改进共联矩阵的聚类集成算法。多组对照实验结果表明算法的有效性和稳定性良好。（2）基于聚类集成一致性函数的分布式聚类算法现有的分布式聚类算法往往忽视局部聚类和全局聚类之间的联系,局部站点筛选出的核心点代表性不足,全局站点不能充分利用各个局部聚类的结果。本文分析了分布式聚类和聚类集成算法的关系,将核心点的选取和全局聚类问题转化为通过构建共联矩阵一致性函数并得到聚类集成结果的问题。在局部聚类时采用谱聚类的方式,通过知识粒度理论改进了样本间相似性计算方式,构建代表新权重的相似矩阵;在得到局部聚类结果后,通过度的概念结合改进的样本间相似性,定义了评价系数来筛选核心点,并将核心点传输至全局站点;在全局站点的聚类中,通过对核心点构建共联矩阵一致性函数完成聚类集成,进而得到全局聚类结果。多组对照实验表明,算法筛选出的核心点更具代表性,增加计算节点时算法的可扩展性良好。（3）分布式聚类计算云平台系统的研发围绕课题理论研究成果,以阿里云的Elastic Desktop Service为云平台,结合主流分布式计算框架和软件开发技术,设计并研发了一款以分布式聚类计算为核心功能,并辅以数据维护等功能为一体的分布式聚类计算云平台系统。系统总体分为用户层,服务层和云层,并创新性地在服务层中开发了服务引擎和数据聚类算法引擎。该系统集成了本课题理论研究提出的DCCEC分布式聚类算法以及常见的经典聚类算法,系统研发能够降低普通用户分布式聚类分析计算的门槛,并助推研究成果的推广与应用。