聚类分析是当前分析基因表达数据常用的手段之一。基因表达数据聚类算法因缺少先验知识,难以确定是否有生物学意义。使用聚类有效性指标评价不同结果的有效性,是解决这个问题的一个有效途径。然而,基因数据是高维度特征的生物数据,具有高维、高噪声、低样本等特征。传统聚类内部指标,因使用基于距离的相似性度量,造成随着数据维数的增加而性能下降,而不能够适应基因表达数据。因此本文提出了一种基于共享最近邻相似度的聚类内部指标。首先,利用共享近邻相似度和k最近邻方法,估计数据点的密度,构建融合密度的共享近邻相似度图。然后,根据融合密度的共享近邻相似度图,利用最大流算法,计算出类内相似度和类间分离度,并结合两者计算出聚类内部指标。通过对人工数据集和真实数据集的测试表明,与9个基于距离的传统聚类内部指标相比,该指标能更准确评估数据集的最佳划分和预测数据集的最佳类数。因此,该指标在处理复杂类结构和高维数据的能力优于所对比的其他聚类内部指标。然而目前,有许多聚类方法被提出并应用于基因表达芯片分析。聚类集成和降维技术广泛被用于提高基因表达数据聚类质量。本文通过实验比较面向基因表达数据的单独聚类方法、聚类集成方法以及降维技术。结果表明,聚类集成方法和降维技术可以提供更可靠的聚类结果。