近年来,由于无标签数据易于获得,对其分析的需求越来越高。无监督聚类算法一直是面向无标签数据的机器学习算法研究和实际应用的热点。多核学习在聚类算法中有重要影响力,针对聚类分类的超限学习机也在近几年逐渐兴起。本文基于多核学习与超限学习机,研究了针对不同数据特点的聚类算法。考虑到部分数据较少且数据特征表达不足的情况,提出了基于超限学习机的多样性引导的多核k-means算法;考虑到数据存在噪声和冗余信息的情况,本文提出了低秩和多样性正则化项约束的多核学习算法。针对上述两个算法目标函数的不同,本文提出了不同的迭代优化算法,并且验证其有较好的收敛性和较大的可选参数范围。通过在公共数据集上的测试,本文算法的性能都高于经典聚类算法和当前最先进的聚类算法。常见的无标签数据形式是一段时间的连续统计值,称为序列数据。鉴于序列数据随着类型的不同,分析方法大相径庭。本文结合实际序列数据,将聚类算法与其特点结合,实现了聚类算法研究在序列数据上的应用。针对电路序列数据,提取序列趋势,确定数据间的相似度,结合基于超限学习机的多样性引导的多核k-means算法,对其进行聚类,再将序列数据进行降维可视化和每个样本的可视化,并与序列片段法和单核谱聚类法进行对比。通过可视化结果可以看出,相似的数据分布密集,电路序列数据聚类对数据分析有较大的帮助。针对声音序列数据,提取梅尔倒谱系数、时频图作为特征,构建核矩阵,在不同信噪比情况下,结合低秩和多样性正则化项约束的多核学习算法进行分析。从聚类性能上可以看出,我们的算法相比于其他算法更好地将声音序列数据聚成对应的类别。