CPSS（Cyber-Physical-Social Systems）中包含了丰富的异构网络,对异构网络进行聚类分析有助于发现网络中浅层的数据特征,采用张量统一表征异构网络有助于融合多源异构数据,而目前针对异构网络的聚类分析面临如下问题:现有算法无法实现对异构网络的不同类型对象的聚类、且无法充分利用异构网络的稀疏特性。为了有效利用异构网络中丰富的语义信息,对多种类型的对象实现聚类,论文首先介绍了张量表示异构网络的方法,该方法可以将不同的异构网络表征为张量,为了能够应对大规模网络的表示及减少存储,又介绍了张量的稀疏存储方式。之后从优化的角度建立聚类模型,建立带约束的张量非负分解和聚类模型的等价关系,并基于不同的更新策略提出了两种基于张量非负分解的聚类算法,两种算法都可以对各类型的对象实现聚类,在模拟数据和真实数据上对比两种算法的性能,实验表明基于LS距离的聚类算法比基于KL距离的聚类算法具有更好的聚类性能。为了解决基于张量非负分解的聚类算法采用随机初始化导致的迭代次数较多的问题,结合元路径的相关理论,提出了基于张量的相似度度量方法,然后给出基于用户引导的初始化算法,实验表明该初始化算法可以提供高效的初始解,并减少聚类算法的迭代次数。针对聚类任务的稀疏特性,将过渡矩阵的思想拓展至基于LS距离的聚类模型中,提出了基于稀疏控制的聚类算法,真实数据集上的实验表明该算法能通过参数有效的控制因子矩阵的稀疏程度。