随着时代的更新迭代,“大数据”显现在各个地方,数据成为这个时代的财富,如何从数据中获取出更多的价值成为关键所在。数据挖掘作为获取价值的有效途径,受到各行各业的青睐,涵盖多方面应用。而作为数据挖掘主要技术之一的聚类分析,不论是学术界还是工业界也同样备受瞩目。它的目的在于将相似度高的数据分到一个类或簇中,而不同簇中的数据相似度尽可能达到最低。目前而言,任何一种聚类算法都无法适用于所有的数据类型,聚类集成方法可以通过结合多种聚类算法使得算法更满足普适性的要求。现如今,国内外研究学者们已经提出了很多聚类集成算法,但不可避免的是,由于数据量的庞大,在数据的预处理阶段会提取出一些噪声数据,而这些数据有时会导致聚类结果无法满足块对角矩阵,从而影响到算法最终的划分结果。本文的工作基于聚类集成算法进行研究,针对上述提及的算法结果无法满足块对角特性的问题,取得了一些成果,具体如下:（1）提出了一种基于基聚类器级结构化图学习的聚类集成算法。不同的基聚类器对一致性聚类结果的影响不同,通过赋予不同的权重值来近似最终的一致性关联图。引入拉普拉斯矩阵来约束关联图使得其满足块对角分布。并在大量数据集上验证本方法的有效性,实验结果表明,该方法是有效的。（2）提出了一种基于簇级结构化图学习的聚类集成算法。样本相似性的准确描述是高质量聚类集成的关键之一,该方法首先考虑聚类结果可靠性不一致的问题,通过为每个基聚类器中的簇设定相应的权重,并不断地对其进行优化学习,进而准确表达其对聚类结果的贡献率。其次,将块对角矩阵特性作为先验来保证相似性矩阵是分区的。最后,对结果作对称非负矩阵分解得到低维的非负聚类标签矩阵。实验表明,在不同的数据集基准上,该方法优于其他的方法。（3）设计并开发了一个聚类集成算法分析系统。该系统中涵盖3个模块,分别是数据初始化模块（数据集的选择、参数的设置）、聚类集成算法模块和算法结果展示模块。本系统集成了簇级结构化图学习的聚类集成算法和其7种对比方法,结果的呈现基于操作者所选择的展示方式和评价指标。综上,本文围绕聚类集成中存在的问题,以改进一致性函数为目标提出了新的方法。聚类集成算法备受欢迎的原因之一在于其获得的结果波动性受外界的影响小。因此,不论是理论方面还是应用方面本文的研究都是有意义的。