聚类分析是一种重要的无监督学习方法,旨在挖掘数据中潜在的数据结构和规律,将数据划分为多个簇类,是数据挖掘、机器学习以及信号处理等多个领域重要的数据分析和处理工具,具有重要的研究价值和应用前景。随着计算机技术以及各种传感器技术的发展,数据获取与采集能力大大提高,数据的维度和规模越来越大,传统聚类算法因无法克服维数灾难问题而不再奏效。子空间聚类算法利用高维数据可能分布于多个子空间结构的数据特点,将样本划分至多个子空间簇类,大大提升了在高维数据上的聚类性能,逐渐成为重要的高维数据聚类分析方法,在近十年得到了广泛的关注和研究。然而当面对更高维、更大数据量的数据集时,子空间聚类算法暴露出运算效率不足、聚类性能低等问题。此外,现有的子空间聚类算法不能有效处理时序数据以及处于高度非线性流形上的数据。本文针对现有子空间聚类算法在高维数据处理、运行效率提升、时序数据处理、非线性流形数据处理四方面存在的问题和不足,提出了四种快速高效的聚类算法。本文主要工作如下:（1）针对现有子空间聚类算法在应对高维数据时缺乏有效降维方式的问题,提出了一种同时学习降维投影矩阵和自表示系数矩阵的子空间聚类算法。该算法设计实现了一种结合数据降维和自表示学习的联合学习框架,通过该框架学习得到符合多子空间结构的降维投影矩阵,并且自表示子空间聚类是在降维后的低维空间进行,大大降低了聚类的运算时间,提升了模型的聚类准确率。（2）针对现有子空间聚类算法时间复杂度高、运行效率慢的问题,提出了一种基于矩阵分解的快速低秩子空间聚类算法。将核范数优化问题转化为两个小矩阵的Frobenius范数问题,大大降低了算法的时间复杂度,提升了算法的运行效率。（3）针对时序数据分割应用场景,提出了一种面向时序数据的子空间聚类算法—基于弹力网正则的时序子空间聚类算法。该算法充分考虑了时序数据在时间域上相邻帧之间的关联,设计运用兼具块对角化逼近特性和分组效应特性的弹力网正则约束以及时域光滑正则项,大大提升了子空间聚类算法应用到时序数据分割的准确性。（4）针对分布在非线性流形结构上数据,本文设计提出了基于一种端到端的深度聚类网络,利用数据的自增广一致性以及类别数目均衡性等设计损失函数指导网络训练。在多个公共图像数据集上与相关算法进行比较,验证了所提方法对处理非线性流形结构数据的有效性。