聚类作为无监督学习算法的代表,一直以来都是学者研究的重要领域。随着信息技术的发展,如今的数据变得更加复杂。而传统的聚类算法已经无法适用于高维甚至超高维的数据。因此,基于谱聚类的子空间聚类算法应运而生。针对现有的子空间聚类算法的一些问题,本文进行了如下研究:为了降低时间成本,通常会对图像数据进行降维。主成分分析（Principal Component Analysis,PCA）是传统的降维算法。然而,PCA是针对二维矩阵的算法,要求必须将图像压缩后再进行降维。但是此方法会破坏图像本身的空间结构。因此本文引入多维主成分分析（Multilinear Principal Component Analysis,MPCA）算法,利用张量计算,无需对图像进行压缩即可进行降维。实验中在不同的图像数据集上对两种算法进行对比,结果表明使用MPCA降维更加有利于子空间聚类。随着数据量的增加,传统的子空间聚类算法时间成本也越来越高。为了提高效率,本文为稀疏子空间聚类提出了一种基于信息传递的统一框架。该框架主要由两个阶段组成。首先,通过采样选择少量的数据点,利用传统方法计算出部分数据的表示系数。在第二阶段,通过信息传递而非传统方式计算出剩余数据的表示系数,从而提高效率。因此,这两部分集成在一起构成完整的表示系数矩阵,传到谱聚类中以获得聚类结果。此框架具有灵活性和可扩展性。它既可以选择不同的采样方法,还可以扩展到其他子空间聚类算法。在Yale BCrop025、ORL和COIL100数据集上的实验结果证实,此框架不仅可以提高效率,而且可以保证聚类精度。传统的子空间聚类算法一直致力于平衡稀疏性和连通性,但单一的模型非常容易受到噪声的影响。为了更好地平衡自表示系数矩阵的稀疏性和连通性,本文提出了子空间聚类的后处理策略,基于原有算法,对自表示系数矩阵进行剪枝操作。为此,首先将近邻定义为具有更多公共近邻和更高系数的近邻,其中近邻是根据非支配排序算法对邻居进行排序后选择出的。确定近邻后,保留每个样本和其自身近邻之间的关系系数,其他系数归零,从而去除不正确或无用的连接。因此,后处理剪枝策略可以保留子空间内部的连接而去除子空间之间的连接。在实验中,将后处理策略应用在传统图像识别领域和物联网领域,验证了策略的普适性和有效性。实验结果表明,该策略可以减小聚类过程中的噪声影响,提高聚类精度。