图结构能够直观地反映样本点间的关联性,近年来,基于图结构的聚类算法得到了广泛研究。目前已提出的传统算法能较好的利用样本点的图结构信息完成聚类,并表现出卓越的性能,但是其聚类结果对图结构有极强的依赖性。随着深度学习的发展,图深度神经网络被提出,它通过捕捉样本点间的图结构关系,将邻域特征融合后作为该样本点的特征表示,使得所提特征更利于聚类。但是随着图神经网络层数的加深,学习的特征容易出现过平滑的现象,从而影响聚类效果。基于上述问题,本文对基于图结构的聚类算法展开研究,主要成果如下:（1）针对信息损失导致聚类结果不准确的问题,提出了一种基于重构邻接图的集成聚类算法。为了减少样本点到类别映射过程中的信息损失,本算法引入了样本点参考集的概念,将参考集内元素到类别的初始映射值加权相加作为中心样本点到类别的重建映射值,得到的重建映射矩阵有效地增加了映射过程的信息量;同时为了降低相似性度量对数据分布的敏感性,采用Spearman系数计算类别之间的相似度矩阵;然后联合重建映射矩阵和类别相似度矩阵重构出样本点邻接图矩阵;最后在重构的邻接图上进行层次聚类。实验验证了所提算法的优越性。（2）为了解决图神经网络特征过平滑的问题,同时保证图网络学习的特征能保持原始的近邻关系,提出了一种基于局部特征约束的图注意力聚类算法。所提模型利用注意力网络隐式地将自编码网络每一层的特征传递到图网络的对应层上,使图网络学习的特征既能融合邻域信息,又能体现不同样本点的独特性,较好地缓解了过平滑的问题;此外,引入了局部特征约束损失函数,通过约束样本点的局部相似性,较好地保留了数据集的局部近邻结构;最后通过对聚类损失和局部特征约束损失联合优化,实现了端到端的聚类。实验验证所提模型能取得更好的聚类结果。（3）由于图神经网络是多层图卷积级联的结构,同时图卷积有低通滤波的效应,因此图网络的深层特征包含的高频信息较少。基于此,提出了基于特征复用的图注意力聚类算法。本模型通过对图网络深层特征和浅层特征的复用,使得学习的最终特征信息损失较少。模型将图网络每一层的特征通过全连接网络映射到同一维度,并引入特征权重函数,对同维度的多层特征加权复用,其结果作为最终的特征。最后通过聚类损失优化模型,实现了端到端的聚类。大量实验验证了所提聚类模型的有效性。