聚类分析是数据挖掘的常用技术之一,它旨在将数据集划分为若干个小簇且保证簇内对象的相似度尽可能高于簇间对象的相似度。聚类分析不仅可以作为探索数据集内部结构特征的工具,也可以作为其他数据挖掘技术（如分类、特征提取和属性子集选择等）的预处理步骤。聚类分析已经在计算机科学、物理学、经济学、生物学和医学等学科中得到广泛的应用。经过几十年的发展,聚类分析的相关理论和算法已经形成了一些成熟的研究分支。其中,基于层次的聚类方法由于原理简单且易于解释,得到了比较广泛的关注,但它同时也面临着b不够准确、时间复杂度较高、调参困难等问题。“代表点”是聚类算法中一个常见的概念。一方面,它可以用于压缩数据集,捕捉数据集的局部特征;另一方面,它可以用于找出高质量簇中心,在此基础上通过剩余点分配过程完成聚类。本文针对如何提升层次聚类算法的效率,研究基于代表点的层次聚类算法,论文主要研究工作和贡献包括两个方面。其一,我们融合自然邻居和同步动力学原理,提出了一种新的层次聚类算法Na NSyn C:首先,通过使用“自然邻居”这个局部邻域概念,我们实现了算法整体的去参化;接下来,利用同步聚类算法中相似的数据对象会逐渐运动到同一位置的特性,我们提出了“同位代表点”的概念并应用到层次聚类算法的框架中,逐步减少参与到迭代过程的数据对象数目,从而降低了算法的时间复杂度。在人工数据集和UCI数据集上的对比实验证明,Na NSyn C算法比同步聚类的效率更高且参数依赖更少,聚类性能也优于最近的RSC算法。其二,提出了另一种基于局部核心和共享概念的层次聚类算法HCLCS:首先,基于“共享”的思想构造了一种扩展的代表点搜索算法ELORE,用于对数据集进行初始的簇划分;然后,将层次合并过程拆分为两个子步骤,第一步,提出“簇间联结度”概念将极有可能属于同一类别的簇进行“预联结”,第二步,在已联结形成的中间簇和未参与联结的初始小簇上进行传统的层次聚类。在人工数据集、UCI数据集和KEEL数据集上的实验证明,HCLCS算法整体优于五个对比算法,能够识别任意形状的簇,在减少运行时间的同时提升聚类的准确度。