随着信息技术的更新发展,人们步入了大数据时代。人们日常生活中随时随地都在产生大量的信息数据,如何在海量的信息中获得隐藏在其中的有价值的信息,成为一个新的研究热点。其中聚类分析就是一种很常见的数据挖掘方法。与一般的单个聚类算法不同,聚类集成通过设计一个共识函数将多个不同的聚类结果融合,能获得比单个聚类算法更好的聚类结果,但要是在集成成员生成过程中产生的聚类成员结构不同,怎样选择合适的聚类成员,将对最终的聚类结果至关重要。由此一些学者通过某种选择策略,从产生的聚类成员集中选用质量好差异性大的聚类成员用于聚类集成,从而获得较好的聚类结果。目前聚类集成和聚类集成选择技术的研究主要集中在无监督学习领域中,没有考虑到用户或者专家提供的先验知识。半监督聚类集成将少量带有标签的数据带入到聚类集成中,监督与指导集成过程,最终会获得更加优越的聚类结果,使得整个过程更具稳定性、准确性和鲁棒性。受到启发,本文尝试将选择聚类与半监督聚类结合,首先通过基于成员质量和差异度的成员选择方法选出一部分初始聚类成员,然后借鉴半监督聚类集成的关键思想,利用成对约束等先验知识,将半监督信息带入到选择聚类集成过程,选择出最终聚类成员集,设计了一种半监督选择聚类集成方法(Semi-supervised selective cluster ensemble,SSCES)。针对人们生活中产生的数据越来越呈现高维性的问题,本文分析了现有的降维算法,并结合主成分分析(Principal Componet Analysis,PCA)降维技术,提出了一种基于PCA降维技术的成对约束半监督聚类集成算法(Semi-supervised clustering ensemble with pairwise constraints based on PCA dimension reduction,SSCEDR)。考虑到PCA是一种无监督的降维方式,没有利用到数据中存在的一些有用信息,本文尝试在PCA主成分分析的目标函数中加入具有正负约束限制的距离函数,形成新的半监督降维算法(Semi-upervised dimension reduction,SSDR),然后对原始数据进行降维,结合半监督聚类集成,在降维后的空间中将先验知识代入到聚类集成过程,得到最终的聚类结果。并在多组数据集上进行实验,验证上述算法能够提升聚类质量,取得更好的聚类结果。