在文本挖掘,图像处理等很多现实应用中都需要对数据进行聚类。近年来,基于谱方法和信息熵进行聚类备受关注,并且发展得到谱聚类和熵聚类两种聚类方法。谱聚类具有简捷和高效性,其聚类效果主要受数据构建的相似图矩阵的影响。目前邻域传播算法对构建相似图矩阵有一定的应用,它分为Gauss-Seidel方式和Jacobi方式。我们首先对这两种邻域传播方式作了具体介绍,然后对Gauss-Seidel方式进行了改进。实验表明,通过改进的Gauss-Seidel方式构建的相似图矩阵在谱聚类模型上的聚类结果表现比Gauss-Seidel方式和Jacobi方式都要好。熵聚类主要基于数据的信息熵来建立相应的模型。最近,一种满足拟阵约束的最大化子模函数模型取得了一定的聚类效果。该模型的求解主要采用改进的贪婪算法,但其求解效率仍不是很高,我们在此算法基础上作了进一步改进,提出了加速贪婪算法。同时,我们基于几种不同类型数据对模型的参数分别给出了新的自适应选取方式。实验表明,改进后该模型的求解速度和聚类效果都得到很好的提高。