21世纪,互联网和数据挖掘技术蓬勃发展,社会飞速进入大数据时代。持续并不断增长的海量数据改善了人们的生活方式的同时,它的储存、挖掘及应用却成为信息时代人们面临的一大挑战。从海量的数据中高效、低成本获取潜在的知识成为学者们探求的重大问题。近年来,聚类分析技术在模式识别和数据挖掘领域被高度重视。传统的聚类方法如:k-means聚类算法、谱聚类算法等已经被成功应用到各个领域。然而,传统的基于图的聚类方法通常是基于一个给定的近邻图,聚类时需要对近邻图采用有效算法,进而获取数据的最终聚类结果。然而,数据往往存在噪声,所构建的近邻图不能满足实际应用的需要。为了解决上述问题,学者们提出了许多旨在降低误差、噪声及孤立点影响,提高构建近邻图有效性的算法。本文首先对聚类分析的相关内容进行简明阐述,其中包括研究背景、意义以及研究现状,系统的介绍了聚类算法所涉及的定义、定理等相关理论知识。针对图聚类算法中存在的问题,基于L_2,1范数及图正则化思想提出了一种将构建数据相似矩阵和聚类同时进行的聚类模型:鲁棒自适应图正则化聚类算法（Robust Adaptive Graph-Regularization Clustering Algorithm,RAGR）。算法用L_2,1范数取代F范数,不但能确保数据行稀疏,而且保持矩阵的旋转不变性和对噪声数据的鲁棒性。我们给出模型的优化算法,并使用matlab软件在合成数据集和真实数据集上进行实验,验证本文提出的RAGR聚类算法的有效性。