聚类在机器学习中有很长的历史及广泛的应用。聚类的目的是将数据点划分为多个簇,使得同一个簇中的数据相似性较大,不同簇中的数据差异性较大。在目前的机器学习中,大部分的方法都局限于单任务。在单任务中,数据样本的独立同分布假设是成立的,我们将它们称为单任务聚类。但是很多时候单个任务中的数据非常有限,不足以挖掘出一个良好的聚类结构。如果只是简单的将多个单任务数据集组合在一起,然后使用传统的单任务聚类方法并不一定能提高聚类性能,因为这些数据的分布是不同的,这违反了单任务聚类中的独立同分布假设。为了解决这一问题,把聚类的应用场景从单任务学习扩展到多任务学习,即多任务聚类。然后通过在相关任务间迁移它们之间的共享信息来提高各个任务的聚类性能。本文的研究内容主要是针对多任务数据集的聚类,因此需要挖掘并利用任务之间的相关性来提高聚类性能。通过对大量多任务聚类算法的深入研究,我们发现了一些问题与不足,因此本文结合多任务学习的优势与经典的单任务聚类方法来实现多任务聚类。在经典的LSSMTC算法基础上提出了两种多任务聚类算法:划分矩阵和约束的共享子空间多任务聚类算法和自步划分矩阵和约束的共享子空间多任务聚类算法。（1）本文是在LSSMTC算法的基础上进行了改进,考虑到LSSMTC算法中对划分矩阵的约束仅仅只是非负,不太符合划分矩阵聚类的物理意义。因此本文在此基础上将非负约束改进为和约束,使之凸显出聚类划分矩阵的物理意义并提高聚类的性能。提出了划分矩阵和约束的共享子空间多任务聚类算法,并采用了新的优化方法优化划分矩阵。通过在多个多域文本数据集上的实验表明,改进的和约束条件能有效的提高算法的聚类性能。（2）划分矩阵和约束的共享子空间多任务聚类算法虽然取得了良好的聚类效果,但为了解决该算法在非监督条件下遇到的非凸性问题,我们提出了自步划分矩阵和约束的共享子空间多任务聚类算法。该算法在同时执行任务内聚类与任务间聚类的基础上,又加入了由易到难训练样本的自步学习框架来优化模型。实验结果表明,我们在解决了非凸性问题的同时,在一定程度上提高了聚类性能。