在如今信息时代的大环境中,我们所要面对的是在大量信息流下产生的海量数据的归纳与整理的问题;如今在高速的信息生成、传送、保存的过程中都会产生大量的数据信息,而且随着人们对信息精度的要求不断提高,信息数量大幅度增长,其维度也成倍增加。这些变化不但使得在海量数据库中提取有效信息变得愈发艰难,而且使得人们对数据集的提前标记也成为了无比困难的事情。因此,对无标记数据的有效信息的提取已成为当今信息时代发展的必然的趋势。聚类是近些年来无监督学习的热门方法之一。而谱聚类又是聚类方法研究中的热点,并且通常表现出良好的聚类性能。谱聚类大致有以下几个核心步骤:先预处理构造表示数据集的图形得到数据集的相似矩阵。再谱表达即根据相似矩阵,得到相应的正则化或不规则拉普拉斯矩阵,计算L的特征向量。首先要对拉普拉斯矩阵进行特征分解,得到前k个特征值及其对应的特征向量用以形成特征空间,最后使用算法（例如K-means算法等）,最终获得聚类结果。其中,如何构造相似度矩阵是谱聚类的关键步骤,主要决定聚类的性能。然而,传统的谱聚类算法模型不能很好地考虑样本数据集合的内部分布结构,很难真正的反映样本点与点之间的连通性与相似性。在全连接图种使用欧式距离,基于每个独立的样本的样本间的关系都是直接获取,所建立的样本度量也是基于全局。样本之间的关联比较单一,尤其是对于多尺度的数据集和具有流形结构的数据集来说很难充分描述样本间的局部特征,使建立的相似性特征描述不完整,不能完全反映样本之间真正的关系和潜在数据结构。为了解决以上问题,基于近邻图分析,本文对谱聚类算法进行分析和研究,主要做了以下工作:第一,针对以上的问题,受密度聚类的启发,我发现通过找到数据之间的最近邻关系优化相似矩阵,不仅能更好的反映数据之间真实的邻域关系,并且能得到更好的聚类效果。因此提出了一种新的基于k邻域关系和互近邻关系构建相似矩阵方法而非传统的用k近邻图或者全连接图构建,通过得到一个新的权重矩阵去更新相似度矩阵从而提升谱聚类效果。我们的新方法中,该模型不仅使用简单方便,还能考虑到数据的局部和全局结构。使用k近邻和互k近邻关系图可以同时发现数据的密度和连通性信息,发现数据集中包含的密度信息,反映数据的内在结构。关于聚类结果,我们提出一种新的检验方法,可以使用eigengap值是否变得更大去检验,因为根据矩阵扰动理论可知,本征间隙值越大矩阵分区越稳定聚类结果越好。第二,本文提出一种新的自调整的高斯核函数,并结合权重关系矩阵,以进一步提升该方法的性能。其中自适应地确定高斯核函数的参数和考虑了权重关系度量,弥补了高斯核函数中参数手动取值的困难和原本仅使用欧氏距离计算的高斯核函数带来的对数据样本的局限。使它可以从多尺度数据中准确地提取流形结构。第三,我们将提出的方法多方位的与现有的聚类算法进行比较,通过人工数据集和UCI数据集、MNIST手写数字数据集的实验结果可以得出,该算法对于人工和真实数据集都有较好的性能。此外还表明,所提出的方法可以从多尺度数据中更准确地提取流形结构,并且对高斯核参数的选择不太敏感。