近几年来,随着大数据的发展,数据的获取途径变广,对数据处理的要求愈加严格。在计算机视觉领域,随着高维数据的爆炸性增长,现存的聚类算法受制于空间的复杂性已无法满足对精准度的要求。针对于子空间的映射特性,子空间聚类算法越来越受到人们的广泛关注。其中,结合图论的谱聚类算法是子空间聚类算法的一门重要分支,其本质上是将数据矩阵转化为无向图,按照割集准则切割子图完成聚类任务。由于生成的矩阵直接影响了聚类的准确率,所以如何处理数据集将其转换为理想矩阵变得尤为重要。现存的生成矩阵算法基于稀疏思想去除噪声构造矩阵,但是存在几个缺点,一是利用数据集生成的数据字典会包含数据集中的噪声,污染数据字典;二是生成的矩阵会将相似的特征错误编码为不同的系数;三是准确率有待提高。因此,在子空间聚类算法的研究中,如何设计高效、准确的矩阵生成算法是非常值得研究的问题。本文对低秩子空间聚类算法进行了研究,针对特定问题提出了两个改进子空间聚类算法:(1)针对数据字典存在噪声和准确率不理想问题,本文提出了基于稀疏性的稀疏低秩子空间算法。该算法利用稀疏约束,迫使数据集中的数据为其它数据的线性表示,完成对原始数据集的去噪处理,得到干净字典,进而使得生成的表示矩阵尽可能的具有理想对角结构。通过与现存的算法进行实验结果对比,表明了该算法具有良好的聚类准确率。(2)针对不干净字典和生成矩阵错误编码问题,本文提出了非负局部约束低秩子空间聚类算法。该算法在低秩约束基础上,结合鲁棒主成分分析,找到数据在低维空间上的最佳投影,完成对字典的去噪工作;同时加入非负约束消除部分相似特征被错误编码问题;鉴于加入多个约束后模型求解复杂性提升,引入线性交替方向自适应法迭代求解问题。从多个实验数据集的实验结果中表明,该算法在聚类准确性上相比现存算法有大幅提升。