伴随互联网技术的迅猛进步,社会步入了大数据时代。人类日常生活中产生了大量的数据。未来,无论是在哪个领域,越来越多的决策将依赖于数据分析。如何合理高效地分析大量数据,找到数据背后有价值的信息,成为新的关注点。聚类集成融合了聚类以及集成学习两种技术。使用此类模型处理问题能够提升最终结果的准确率、鲁棒性以及稳定性。集成过程中,增加半监督信息,可以得到新的模型:半监督聚类集成模型。在某些特定条件下,此模型获得的聚类结果可能会优于无监督聚类集成模型。本文选择近邻传播(Affinity propogation,AP)算法作为基聚类器,在实验过程中,多次设置不同输入参数,以此来获得不一致的基聚类结果。随后使用改进的最大信息系数(Rapid computation of the maximal information coefficient,RapidMic)计算各基聚类结果之间的相关性,用相似性矩阵表示。选取此矩阵来展示样本数据集的密度关系。本文借助等距映射(Isometric feature mapping,Isomap)进行降维,例证样本数据的密度关系能够透过基聚类结果来揭示。通过对密度峰值(Density peaks,DP)算法进行改进,本文设计出可以自动选取拥有较大密度峰值的几个点作为聚类中心的k_DP算法。然后基于此,得到一种新的聚类集成算法KDPE。实验表明,相较几种经典模型,KDPE能够获得更好的聚类集成效果。最后,本文尝试将半监督信息加入新模型,试图通过这种方式改善聚类集成效果。改进DP得到semi_DP后,依赖于这一新的方法,设计得到一种新的半监督聚类集成算法SDPE。通过对比实验,发现在某些特定的半监督比例下,SDPE可以优化聚类效果,一定程度上提升KDPE的表现。