伴随着互联网的快速发展,Web广告已成为网络服务提供商盈利的重要途径,同时也是许多传统行业宣传自身品牌和产品的有效渠道。海量Web广告数据中隐藏着高价值的信息和知识,因此如何对其进行有效的挖掘已经成为许多互联网应用的关键问题。在Web广告数据挖掘中,聚类分析是一项重要的基础技术,不仅可以用于分析竞争对手,并且能够辅助政府以及评估机构对经济发展状况进行评估和预测。Web广告数据包含多种特征,但每一种特征都不能全面描述Web广告对象。通过多种特征的融合,将能够全面描述Web广告对象。因此,本课题研究了基于多特征信息融合的Web广告聚类方法。主要完成以下工作:(1)分析Web广告特点,搜集、构建相关数据集。研究了面向Web广告数据的特征提取方法,实现了一种基于模糊匹配的文本特征提取方法和四种图像特征提取方法;(2)Web广告数据的特征空间有高维稀疏的特点,而决定两个簇分离的往往是极少数特征。为了区分这些极少数特征的重要程度,本文在EW-kmeans的基础上改进了目标函数,综合考虑了簇间距离和簇内距离对聚类效果的影响,提出了基于鉴别子空间的三阶张量加权k-means方法(Dkmeans),并给出相关理论证明。实验结果表明:与最新的相关聚类算法相比,Dkmeans算法在6个公开数据集上均取得了更好的聚类效果;(3)针对Web广告中的不同特征,搭配不同组合进行融合实验。通过实验,发现不同组合的特征融合,对Web广告聚类效果均有不同程度的提高。其中,组合全部特征融合,可以得到最好的聚类效果,从而验证了多特征融合可以提高Web广告的聚类效果。