scRNA-seq（单细胞RNA测序）作为一种能够将测序分辨率精准到个体细胞的测序技术,对揭示细胞异质性具有重要作用,细胞身份的识别也对下游的分析有很大贡献。对单细胞进行聚类,主要是通过对单细胞基因表达的相似性进行识别。单细胞数据具有高维度、高稀疏性的特点,针对这些特点,已经有大量的单细胞聚类算法产生,在聚类的准确度方面已经取得了很好的成果。但随着单细胞数据规模的不断增长,对单细胞数据聚类算法提出了更高的要求,不仅需要聚类准确度,更需要提高聚类的速度,降低对计算资源的消耗。本文提出了一种单细胞转录组数据的快速聚类算法:基于多观测点UNIC的单细胞聚类算法,该算法提高了现有单细胞聚类算法的速度。多观测点UNIC是对一种快速无参的聚类算法UNIC（Unparameter Ized Clustering）的改进算法,多观测点UNIC通过在单次运行中进行多次观测点的选择,避免了UNIC中一次聚类只选取一个观测点所产生的“环效应”,然后结合单细胞数据的特点,对细胞相似度度量方法进行了研究,选取了相关系数作为细胞相似度度量方法,提高了算法的准确度以及鲁棒性。在此基础上,本文提出了基于多观测点UNIC的单细胞聚类算法,在数据预处理阶段对单细胞数据进行质量控制,然后进行基因选择来进行特征提取,最后通过多观测点UNIC对处理后的数据进行聚类。针对大规模单细胞数据集,结合基于多观测点UNIC的聚类算法与基于采样的大规模单细胞数据聚类的计算框架,本文设计了大规模单细胞数据的聚类算法,该算法通过采样将一部分比例的单细胞数据用于聚类分析,然后对未采样的单细胞数据进行分类分析,并将聚类分析的结果作为样本标签应用于分类过程。在分类过程中,将每个细胞与某个细胞类型观测点的相似度作为其与该细胞类型的相似度,然后通过每个细胞类型的最小类内相似度和最大类外相似度进行比较,以决定其细胞类型。在实验论证方面:对于基于多观测点UNIC的单细胞聚类算法,除了与多种聚类算法进行比较,以验证该算法的准确度和时间效率以外,分别在多个单细胞数据集上,研究了不同相似度度量方法对聚类结果的影响,基因选择的数量,还有算法的鲁棒性研究,以及降维对聚类结果的影响。对于本文设计的大规模单细胞数据聚类算法,在大规模单细胞数据集上进行了实验验证,实验结果表明,本文所提出的算法优于比较的算法。