聚类分析研究有很长的历史,几十年来,其重要性及与其他研究方向的交叉特性得到人们的肯定。聚类是数据挖掘、模式识别等研究方向的重要研究内容之一,在识别数据的内在结构方面具有极其重要的作用。其中迁移聚类的提出,更是为聚类算法在面对数据不充足下聚类性能不佳指明了解决方向。迁移聚类通过源域(辅助领域)知识或数据参与目标域的聚类过程,使传统聚类算法利用更多的信息,实现目标域数据标定。特别地,迁移原型聚类作为一类代表性的迁移聚类技术展现了良好的性能。同时,随着大数据的不断丰富,迁移场景多样化,使得目前迁移原型聚类难以普遍适用。因此,目前迁移原型聚类理论和方法还很不完善,亟需要进一步完备。针对上述挑战,本文展开了如下的研究工作。首先,本文提出了一种可能性匹配知识迁移原型聚类框架,该框架能使单一视角的聚类分析拓展到相关领域信息辅助下的聚类分析,同时相比模糊匹配知识迁移原型聚类框架,该框架引入可能性度量迁移机制,更加合理性的迁移源域知识,从而进一步提升迁移原型聚类性能。其次,随着迁移场景的多样化,源域和目标域特征空间不仅仅同分布,而且异构分布(X_s?X_t)也越来越多,使得目前的迁移聚类,并不能有效的让源域知识直接参与目标域聚类任务。本文提出新的异构特征迁移学习算法,将源域和目标域映射到同一特征空间内完成同构分布的处理,继而结合迁移原型聚类,提出了异构迁移原型模糊聚类框架,以此来探索异构迁移场景下的聚类分析。最后,基于上述两个框架,实现了几个具体的迁移原型聚类算法。实验结果表明,同构场景下的可能性匹配知识迁移原型聚类算法,较之已有的相关算法展现了更好的性能。异构场景下的异构迁移原型模糊聚类框架,有效地拓展了迁移原型聚类的应用场景。