聚类分析是无监督学习方法里最常见的研究方向，且在电子商务中的商品推荐，新闻及短视频中的信息分发等领域上有非常广泛的应用。随着大数据时代的到来，聚类所面临的数据集，无论是在样本数目还是数据维度方面规模都越来越庞大，导致单一的聚类算法开始变得难以适用，因此，借鉴了集成学习思想的集成聚类算法便应运而生了。论文在研究过几类基于不同理论的集成聚类算法的原理后发现，针对集成聚类算法的不足，如未考虑到数据样本到样本中心的距离，不同基聚类器聚类的效果存在差异等问题，可改进的层面主要集中在数据样本点，基聚类器聚类得出的簇以及基聚类器的聚类结果这三个层面上，因而论文主要针对集成聚类算法中共协矩阵的构建过程，提出了这三个层面上的改进，改进内容如下：
　　为了在数据样本点层面上对集成聚类算法进行改进，论文提出了一种基于Parzen窗原理的计算数据样本对的隶属概率的方法，将其应用在共协矩阵的构建中，并设计了对比实验。实验结果表明，相对于经典的集成聚类算法，数据样本点层面上的改进能在常用的聚类评估指标上带来平均151.02%的提升。
　　为了在基聚类器聚类得出的簇层面上对集成聚类算法进行改进，论文提出了一种基于KL散度原理的计算方法，用于计算基聚类器聚类得出的簇重要度，该方法从簇层面上改进了共协矩阵的构建。对比实验的结果表明，相比于其他在数据样本点和簇层面上的改进集成聚类算法，论文中结合这两个层面的改进取得的聚类效果能带来平均5.53%的提升。
　　为了衡量不同基聚类器的聚类效果，在基聚类器层面上对集成聚类算法进行改进，论文提出了一种基于帕累托最优原理的对基聚类器赋权的方法，根据基聚类器表现的好坏赋予不同基聚类器不同的权值。通过与同样在多个层面上进行改进的集成聚类算法进行对比实验，论文结合数据样本点，簇以及基聚类器三个层面上的改进在聚类效果上取得了平均46.16%的提升。