聚类分析是一种重要的无监督学习方法,它在没有类标签的参与下,通过对样本集的特征衡量其相似性,并据此将样本划分成不同的簇。目前,聚类分析已经被运用在许多实际的业务场景中,或是作为其他学习方法的预分析方法使用,在数据挖掘领域具有十分重要的地位。由于现有的聚类算法对距离度量的依赖、以及其定义上的不适定性等一系列原因,导致其往往难以达到理想效果。为此,研究者提出了利用集成学习思想的聚类集成方法,以及引入外部先验信息的半监督聚类方法等手段来改善聚类结果的稳定性与鲁棒性。而半监督聚类集成方法则进一步将二者进行结合来达到互补的效果,以期获得更加优质的聚类结果。本文从半监督聚类集成中成对约束的使用途径入手,指出了现有的部分研究中将成对约束运用在聚类成员生成阶段可能产生的一系列问题,并针对性地提出了两种在共识函数阶段运用成对约束的半监督聚类集成方法:使用标签传播思想令成对约束信息在样本图上进行传播从而提高共识聚类精度的传播式半监督聚类集成方法,以及通过成对约束信息与内部质量度量衡量簇质量并进行启发式加权的加权式半监督聚类集成方法。同时,针对目前许多基于共联矩阵的聚类集成方法难以处理较大样本数据集的问题,利用学术界在大规模近似谱聚类方面的一系列研究成果,提出了基于代表点与基于低秩矩阵估计的谱聚类方法的大规模聚类集成方法。实验结果表明,本文提出的传播式与加权式半监督聚类方法能够在共识聚类生成阶段充分利用来自外部的成对约束信息,相比于将成对约束信息用于聚类成员生成的方法而言,能够取得更好的性能,并且具有的时间效率。同时,本文提出的基于代表点与基于低秩矩阵估计谱聚类的大规模聚类集成方法可以运用在具有大样本量的数据集上,取得合理的聚类集成结果。