聚类分析是数据挖掘中的一个重要研究领域,已被广泛应用于图像处理、信息检索和生物信息学等研究领域。目前,已有多种聚类算法被发展。由于数据的复杂性,单一聚类算法无法有效地完成聚类任务。如何将多个聚类结果进行融合(即聚类集成)已成为聚类分析的一个重要研究内容。在聚类集成过程中,集成结果的有效性容易受到基聚类的质量的影响。为此,本文针对该问题开展了深入的研究工作,其中主要的研究成果包括如下:(1)将基聚类看作数据的符号特征与其原有特征进行合并,提出了一种基于混合型数据表示的聚类集成算法。该算法对K-Prototypes算法进行扩展,通过不断迭代更新基聚类,使得获得的集成结果同时对原数据类结构和基聚类具有较高的一致性。在UCI数据集上将新算法与其它聚类集成算法进行了实验比较分析。实验结果表明提出的算法相比其它算法能够在测试数据集上获得更加有效性的集成结果。(2)在第一项研究工作的基础上,本文将原数据特征信息、监督信息和基聚类信息进行融合,提出了一种基于混合型数据表示的半监督聚类集成算法。该算法利用非负矩阵分解聚类算法获得和更新基聚类。获得的聚类结果同时对原数据特征信息、监督信息与基聚类信息有着较高的一致性。新算法与已有的若干个聚类集成算法在UCI数据集上进行了实验比较。实验结果表明新算法在测试数据集上获得的聚类结果相比其它算法有着较高的聚类精度。(3)本文从原数据特征空间和基聚类所构建的符号特征空间两个角度评估了基聚类的质量,提出一种二次加权聚类集成算法。新算法首先利用基聚类生成的目标函数对其进行评价加权,刻画它在原数据特征空间上的质量。进一步利用W-K-Modes算法对基聚类进行二次加权,反映它在符号特征空间上的质量。将新算法与其它集成算法在数据集上进行实验比较。实验结果展示了相比其它算法,新算法可以在测试数据集上获得更好的聚类结果。针对已有大多聚类集成算法仅考虑基聚类的一致性从而忽略了基聚类的质量对集成结果的影响问题,本文从不同的角度提出了三种解决方法。所提的新方法进一步丰富了聚类分析技术,为多聚类结果融合提供有效的技术支持。