在实际应用中,尤其是复杂、庞大的数据集中通常呈现出多种合理且不同的数据模式,而传统的聚类分析方法往往关注于发现数据集中单个合理的聚类模式。这一挑战促进了选择聚类领域近年来的快速发展,它的目标是挖掘出数据中存在的多种不同且高质量的聚类结果。IB方法是一种优秀的数据分析方法,能有效地发现数据中所蕴含的数据模式。但是IB方法仅关注于产生一种高质量的聚类结果,并且其需要已知关于数据的联合概率分布。　　 本文提出了一种基于IB方法的选择聚类算法-Alt_sIB算法。该算法一方面通过最大化数据对象与聚类结果间的互信息来确保聚类结果的质量,另一方面通过最小化聚类结果和已知数据模式间的互信息来确保聚类结果间的相异性。Alt_sIB算法使用一种无参的MeanNN微分熵估计方法对数据对象和聚类结果间的互信息进行估算,并采用顺序的迭代方法对目标函数进行优化。Alt_sIB算法把IB方法扩展到了选择聚类领域,试图对数据中所蕴含的多种数据模式进行挖掘,并且通过使用MeanNN微分熵估计技术,不再需要已知关于数据的联合概率分布。实验结果表明:Alt_sIB算法能有效地挖掘出数据集内所蕴含的多种数据模式,其总体性能优于选择聚类算法NACI算法和minCEntropy算法。