聚类分析作为数据挖掘领域的核心方法之一,在从海量数据中发现数据自然结构并获得有用信息方面起着非常重要的作用。目前一些聚类分析方法具有针对性,求解效率低,算法稳定性较差。弹性网络因其稳定的网络结构及坚实的理论基础,能够提高算法稳定性及算法效率,在求解组合优化问题上极具优势。弹性网络最初用于求解旅行商问题,求解时将整个系统类比为物理系统,以最小化能量函数的方式求解。本文调整优化了弹性网络的网络结构,并在求解过程中引入自定义的特征加权方法,将弹性网络成功应用于求解大规模聚类问题。针对当前传统聚类算法存在的不足,本文从网络结构调整优化和噪声特征处理两个角度对算法进行了改进:为了提高算法的稳定性和求解大规模数据的能力,本文根据弹性网络、确定性退火技术和极大熵原理,提出了引入特征选择初始化策略的弹性网络聚类算法（Elastic Net Clustering Algorithm Introduced with Feature Selection Initialization Strategy,FSENC）。算法首先定义了新的聚类代价函数,并将其与弹性网络能量函数的目标函数进行替换,得到了能够求解聚类问题的新能量函数。算法还优化了自由能函数的结构,提升了算法求解效率与求解能力。其次,算法提出了一种能够根据空间数据分布动态调整的初始化方法,能够有效提高聚类算法的灵活性。FSENC是一种无监督的优化算法,能够通过自学习来解决聚类问题,无需人工训练或干预。由于弹性网络独特的网络结构及求解方式,使得算法能够在求解高维大数据量聚类问题时有更高的稳定性,得到更高的聚类质量。数据中的噪声特征会增加算法求解的复杂度,并且极易影响算法聚类过程的稳定性。针对这个问题,本文提出了基于特性分析的新型弹性网络聚类算法（A New Feature Analysis-based Elastic Net Clustering Algorithm,FAENC）。算法在FSENC的基础上,引入特征加权思想,定义了一种能够根据特征离散度对各维特征进行自动加权的方法。FAENC能够有效降低聚类过程中噪声特征的影响,提高聚类质量和效率。本文将FSENC和FAENC算法在大量人工合成数据集进行了实验仿真,并与大量传统的和较新的聚类算法进行了对比。实验结果表明,FSENC算法和FAENC算法求解过程更加稳定,能够求解更大规模的数据,识别多种结构的簇,相比于对比算法有更高的求解质量。FAENC算法在处理噪声特征数据方面比FSENC算法更有优势。为了进一步证明所提出的算法能够应用于实际应用中,本文选取了UCI库中的真实应用数据集进行了对比实验。对于真实数据集,FSENC算法比其余对比算法聚类精度平均提高12.76%,FAENC算法比其余对比算法聚类精度平均提高16.78%。相比于其他聚类算法,FSENC与FAENC算法均能够很好地应用于求解实际聚类问题。所提出的算法有求解精度高、稳定性强、算法效率高、抗噪能力强、普适性好、灵活性高等优点,尤其在求解高维大数据量聚类问题时更具优势。