K均值聚类和谱聚类是无监督学习中流行的聚类方法,旨在根据样本相似性对数据点进行分簇。然而,K均值聚类因簇初始质心初始化的质量差异和离群点干扰,导致其聚类结果存在较大随机性,即聚类性能相对不稳定,同时不能有效处理非凸分布数据集。另外,完整的传统谱聚类采用三阶段策略完成聚类,即根据输入数据构造相似度图,然后在图上执行谱嵌入得到松弛的连续标识矩阵,最后运用Kmeans或谱旋转等后处理技术对连续标识矩阵离散化得到最终聚类分配。但三阶段各自独立执行将导致中间过程一些结构化信息的丢失,不能保证实现全局最优解,且数据图的质量很大程度上直接影响聚类性能。针对以上问题,本论文就K均值和谱聚类两个方面分别进行了如下优化:（1）为解决K均值强随机性和不适用非凸分布数据的问题,本文提出了一种基于谱嵌入与谱旋转实现的新型Kmeans算法（A new Kmeans clustering model achieved by joint spectral embedding and rotation,KMSR）,并对KMSR的输入图进行广义表示提出了泛化模型（Generalized version of KMSR,KMSR-G）。KMSR通过探究Kmeans与谱聚类在目标式上的等价关系,引入正交矩阵作为旋转器,有效联合了Kmeans目标式与谱旋转。通过结合高级相似性度量替代KMSR中内积构造的图,拓展得到KMSR模型的广义表示KMSR-G。本质上,KMSR-G是谱嵌入和后处理过程的联合式。实验结果表明KMSR延续了谱聚类适用任意分布数据的特性,不仅提升了Kmeans聚类性能,而且显著减弱了模型随机性;KMSR-G则在聚类效果上优于基于给定图的谱聚类算法,支持任意给定的输入图并实现了直接谱聚类。（2）为解决基于图的谱聚类算法对图质量敏感以及中间过程导致的数据结构化信息丢失问题,本文提出了图构造、谱嵌入和后处理的三联合直接谱聚类算法（A clustering model jointed by graph construction,spectral embedding and spectral rotation,JGSED）。JGSED选用自权重自适应邻域图构造模型作为图构造方法,通过引入特征描述因子,有效消除了噪声特征的干扰。同时,JGSED作为一个完整统一的谱聚类框架,不仅实现了从数据输入端到结果输出端的直接聚类,还避免了分段过程造成结构化信息的丢失。经实验验证,成功证明了JGSED联合优化的有效性,并表明了JGSED优越的聚类性能。