数据挖掘领域的快速发展促进了聚类问题的研究。但现有的算法,不论是单视图还是多视图的聚类模型,都极大的依赖于点点关系。但这种点点关系并不能充分刻画实际应用场景中的复杂数据的结构信息,且极易被噪声和异常值影响。因此,如何有效的挖掘数据间的关联关系是聚类算法研究中亟待解决的问题。为了缓解这一困境,本文提出了新的度量来建模数据的高阶信息以提升传统聚类算法在真实数据上的聚类性能。本文围绕如何有效利用高阶信息提升算法聚类效果这一目标,针对单视图和多视图数据两种情况展开了一系列讨论与研究,分别设计了基于张量相似度的单视图聚类算法、基于高阶相似度融合的多视图聚类算法和通过自加权高阶相似度融合的多视图聚类算法,其研究成果主要集中在如下几个方面:首先,本文提出了一种基于张量相似度的单视图聚类算法。针对点点关系的薄弱环节,利用四阶张量编码点对间的关联关系,以学习数据的空间结构信息。提出两种张量相似度的构建方式,并分析了它们与传统点点信息的关联,搭建了两者的关系桥梁。在此基础上,将点点关系的学习拓展至高阶信息的提取,并将两者融合以获得准确的聚类效果。最后在模拟和真实数据集上验证了模型的有效性。该方法的提出为建模数据的高阶信息提供了一种全新的思路且将所提出的高阶信息与传统的点点信息进行联系,提升了传统聚类模型的鲁棒性。其次,针对点点关系难以刻画多视图潜在结构的问题,提出了一种基于高阶相似度融合的多视图聚类算法。这种高阶相似性度量利用隐空间结构,挖掘不同维度空间的结构信息,表征不同视图间的内在关联。在此基础上,设计了高阶相似度与点点相似度的共优化聚类模型,学习可靠的隐空间表达。该方法为基于高阶信息多视图聚类模型的研究提供了一种全新的思路,设计了同时优化高阶与传统的点点相似度限制项的聚类模型,融合两者的优势提升了聚类的准确性和稳定性。最后,针对现有基于高阶信息多视图聚类算法稳定性差的问题,提出了自加权高阶相似度融合的多视图聚类算法。模型设计一种可以主动学习的相似性度量来替代依赖视图的相似度,以揭示视图的关键结构。通过引入自加权的高阶相似度限制项,在整合多个视图信息的同时减轻数据中噪声与异常值的影响,从而得到鲁棒的隐空间结构。最后在模拟和真实数据集上验证了提出模型的有效性。综上所述,本文对利用高阶信息挖掘数据间关联关系这一问题进行了深入的研究与讨论。针对单视图数据,提出了一种基于高阶张量的聚类分析算法;针对多视图数据,提出了基于高阶相似度融合的多视图聚类算法并将该方法进一步拓展,提出了自加权的高阶相似度聚类模型以提升模型的鲁棒性。大量的理论分析和实验结果证明,本文提出的一系列模型为基于高阶信息的聚类算法相关研究提供基础理论和研究经验,促进了模式识别和医学图像分割等相近领域的进一步发展。