半监督聚类作为一种重要的半监督机器学习算法,广泛应用于图像分割、文本处理、语音识别等领域。本文将围绕半监督聚类的噪声、成对约束度量、成对约束选择三大问题开展讨论。从类簇边界样本扰动角度求解噪声问题,并提出了成对约束纠正的研究思路;从样本类簇的不确定性角度出发,提出了对称相对熵度量;在主动学习框架下,以类簇信息为基础,构建成对约束并进行标记。论文的主要研究内容具体包括:针对半监督聚类的噪声问题。本文提出了基于成对约束的半监督噪声聚类算法。算法利用交叉熵学习成对约束样本的隶属度,进而实现基于成对约束半监督信息的样本辅助划分,有效地对边界样本进行类别纠正,以此达到弱化样本噪声干扰的目的。在2个聚类算法常用标准数据集中添加6个不同噪声开展的数值实验表明,该半监督噪声聚类算法不仅能够有效抑制噪声影响,还可以融合成对约束半监督信息提升进而聚类性能。针对半监督聚类的成对约束度量问题。本文提出了基于对称相对熵度量的半监督模糊聚类算法。将成对约束度量问题转化为不确定性度量问题,研究两样本间散度度量模型。在相对熵基础上,考虑其非对称性,提出对称相对熵模型,有效地学习样本间及样本内的不确定信息。在2个UCI数据集上进行实验表明,算法能够解决原有模型非对称、硬划分等问题。由此也获得了更加精准的样本划分结果。针对半监督聚类的成对约束选择问题。本文提出了基于主动学习的成对约束选择算法,研究利用类簇信息代替样本特征信息,获取最有用的成对约束,同时对标记过程进行优化,以达到用最少代价获取最多有用成对约束的目的。算法分为Pre-Clustering和Marking两阶段实现。在Pre-Clustering阶段,算法通过FCM获取样本隶属度及类簇中心。在Marking阶段,利用样本隶属度和类簇中心定义弱样本与强样本,并以此获得成对约束。同时在主动学习框架下,提出次小对称相对熵优先准则对成对约束进行标记。在6个常用数据集上进行实验,实验结果表明,算法能够更加显著提升半监督聚类算法划分样本准确性,同时也减低了成对约束标记的成本。