实际应用中,子空间聚类方法可以从高维数据中寻找一个低维表示,用少量的数据就能去描述整个数据空间。这在很大程度上提升了高维数据处理的效率。目前已存在不同形式的子空间聚类方法有不同的适用环境。其中基于谱聚类的子空间聚类算法是应用较为普遍的一类处理高维数据的聚类方法。现有的基于谱聚类的子空间聚类算法通常围绕数据的局部或全局信息去构建数据的相似度矩阵,然后通过谱聚类对该相似度矩阵进行处理获得最后的聚类结果。这些算法主要的差异在于构建相似度矩阵的方法。一个好的相似度矩阵往往可以更好的体现数据子空间结构,而有利于处理高维数据中数据可能来自多个不同子空间的复杂情况。因此,本文给出了一种基于稀疏样本自表达模型的算法去构建相似度矩阵。该算法主要有以下几个创新点：1.该算法利用样本之间固有相关性找出一组与待测样本相关性强的样本去度量样本之间的相似度,以便更好的体现样本之间的相似关系。2.该算法首先通过l1-范数对自表达矩阵进行全局稀疏,使其更能体现出样本空间的低维子空间属性。然后进一步通过l2,1-范数对自表达系数矩阵进行行稀疏,使其对噪音和离群点更具鲁棒性。3.该算法提出了一种求解稀疏自表达模型的优化算法,该优化算法可以在处理高维数据时快速收敛到最优解,极大的减少了计算的复杂度,提高了子空间聚类的效率。