近年来,数据挖掘技术引起了人们的广泛关注和深入研究,而聚类技术是数据挖掘相关研究中最为常用的技术之一,得到了越来越多的关注。但是传统的聚类算法在处理样本空间的形状不呈现凸状时容易陷入局部最优解,谱聚类算法应运而生。谱聚类算法基于谱图划分理论,可以在非凸形状分布的样本空间中实现聚类,而且能够避免陷入局部最优解,收敛于全局最优,但是在类边界点的划分上不够明晰。为了得到更好的聚类效果,本文对传统谱聚类进行了改进,将半监督学习技术与谱聚类算法相融合。半监督学习可以利用带标签数据进行监督学习也可以利用无标签数据进行无监督学习,半监督学习的性能取决于监督信息,本文根据用户需要在谱聚类算法中加入成对约束信息Must-link和Cannot-link监督信息指导聚类过程。在此基础上,使用主动学习策略,提出了一种基于成对约束的主动学习方法,在数据样本类边界上通过计算函数选择特定边界点添加成对约束监督信息,从而提高聚类的正确率。最终,本文通过对传统谱聚类的改进提出了一种基于主动学习的半监督谱聚类算法(SC-ALS),并详细介绍了算法的流程。本文使用SC-ALS算法、传统谱聚类算法以及K-means算法分别在人工数据集和UCI基准数据集上进行聚类实验。通过聚类评价标准Accuracy的对比,当成对约束数目达到一定值时,SC-ALS算法聚类的正确率上优于另外两种算法,实现了良好的聚类效果。