随着信息技术的迅猛发展,数据量日益增长,数据的维数越来越高,规模越来越庞大,结构也越来越复杂。如何处理多源且多维的数据成为了数据挖掘领域的一个重大挑战。子空间聚类是对高维数据进行聚类分析的有效途径,其主要思想是将每一个数据类映射到对应的低维子空间以降低冗余信息对聚类结果的影响,从而获得更好的聚类性能。近年来,越来越多子空间聚类算法被提出,如何获取样本的局部和全局信息是子空间聚类的关键,目前仍面临较大的挑战。本文基于流形正则化和低秩表示对子空间聚类开展研究,在子空间学习过程中同时使用流形正则化和低秩表示以捕捉样本的全局和局部结构,基于最小二乘回归方法用Frobenius范数对子空间进行约束来增强系数矩阵的内聚性,将高度相关的数据聚集在一起,从而提升聚类性能,并将该方法做进一步的扩展应用到多视图聚类方面。论文的具体工作如下:（1）研究了子空间聚类基本方法。分析了子空间聚类算法的重要性和单视图以及多视图子空间聚类算法的国内外相关工作,研究了单视图和多视图子空间聚类中几种常见且经典的算法。详细研究了子空间聚类的相关理论知识,包括谱聚类方法和流形正则化以及拉普拉斯秩约束等相关技术,同时对论文中相关优化算法也进行了分析。（2）提出了基于流形正则化和低秩表示的单视图子空间聚类方法。针对子空间聚类中数据局部结构和全局信息融合难的问题,本文提出了基于流形正则化和低秩表示的子空间聚类方法,该方法在子空间学习过程中同时采用流形正则化和低秩表示方法,并基于最小二乘回归方法用Frobenius范数对子空间进行约束,最后通过拉普拉斯秩约束方法实现数据的最优划分。该方法能够同时捕捉样本的全局和局部结构,并且可以获得内聚性更强的系数矩阵,使数据满足分组效应,将高度相关的数据聚合在一起,实现更好的分类效果。通过与一些经典方法在若干公开数据集上进行对比实验和分析,表明该方法的聚类性能比相关主流方法有较大的提升,同时在离群值处理方面也展现了较好的性能。（3）提出了基于流形正则化和低秩表示的多视图公共子空间聚类方法。在实际应用中,多视图数据普遍存在。相比于单视图数据,多视图数据能够从不同角度或特征更充分地描述对象。论文针对多视图数据,将基于流形正则化和低秩表示的单视图子空间聚类方法做进一步改进和拓展,提出多视图公共子空间聚类方法,该方法考虑到各个视图的一致性和互补性,认为不同视图的子空间有着公共的结构,则由通过流形正则化和低秩表示学习到的单个子空间去学习一个公共子空间,并对该公共子空间施加拉普拉斯秩约束,能够同时保留样本的局部和全局结构,实现数据的最优划分,提高聚类精度。最后通过与经典方法的比较验证了本方法的聚类效果。