随着社会科技的发展,数据的价值变得越来越重要,各领域的数据量的快速积累。因此,各行各业都在收集大量的数据以期望建立数据库。为了让数据体现出价值,数据挖掘和数据分析被愈加重视,而分类和聚类等算法是其中较为主要的两大分支。聚类的目的是不通过标签将相似的样本划分为同一类。近几十年来,许多聚类算法被提出,基于图的算法在其中占有重要地位。基于图的方法利用数据点之间的非线性成对相似性进行聚类,例如谱聚类（Spectral clustering,SC）。该算法得益于数据的相似矩阵构造和图的切割,能够对任意形状的数据样本进行划分,且能够获得较好的聚类精度。然而,这种方法也有一些局限性。首先,虽然SC在一定程度上有降维的性质,对一些高维数据有着不错的效果,但数据维度过高的情况下可能效果不那么明显,其次相似矩阵在很多情况下是不合理的,构造矩阵需要花费大量的时间,难以有效处理大规模量数据。随着遥感成像技术的提高,高光谱图像（Hyperspectral Image,HSI）的像素逐渐提高,在对地面实际情况进行监测、精准农业、军事领域等场景中出现的频率越来越高。随着HSI数据量的剧增,在提高HSI聚类精度的同时,降低聚类的计算复杂度成为研究的热点之一。为了解决高光谱图像聚类问题,本文提出了新的联合聚类模型——联合谱嵌入与结构化图学习聚类方法。首先,通过对锚图相似矩阵进行奇异值分解,对嵌入的低维数据进行初始化;然后,利用低维表示方法求解相似矩阵,进行结构化图学习更新相似矩阵。其次,通过外部连接的方法,修改锚图矩阵更新嵌入数据,使该算法在高光谱图像数据集中具有更好的性能。为了解决高维度数据聚类问题,本文还提出了一种联合二部图与结构化图学习的聚类模型,该模型包含两个主要过程。基于二部图嵌入,可以得到数据点的低维表示。此外,通过结构化图学习,可以学习优化的相似矩阵,同时获得聚类结果。利用相似矩阵,可以通过迭代来修改二部图结构,从而得到更好的低维表示。结果表明,该方法在高维数据中具有良好的性能,在大尺度数据中比传统的基于图的方法节省时间。此外,此方法同时学习相似图并得到聚类结果,克服了传统的谱聚类中两个单独过程的优化局限性。