多变量信息瓶颈（Multivariate Information Bottleneck）方法是基于信息论的一种多元数据处理方法，此方法能够处理数据压缩与信息保存之间的平衡，有效地发现数据中蕴含的多种潜在模式，解决复杂优化问题中算法精度与效率之间的平衡问题。然而，多变量信息瓶颈方法在做数据分析时仅考虑数据的一种相关变量，忽略其它多种重要的特征信息，使抽取得到的数据模式中包含单独特征带来的偏见。针对上述问题，本文在多变量信息瓶颈方法的基础上提出了一种同时处理数据多种特征的聚类算法：mf-MIB算法。该算法采用提取-合并策略，在对数据进行聚类分析的过程中能够同时考虑多种特征信息，为多种特征处理问题提供了一种有效的解决方法。同时，mf-MIB算法能够学习特征与对应的视觉单词之间的语义相关性，缓解语义鸿沟问题对聚类算法的限制。在图像数据集和视频数据集上的实验结果表明：mf-MIB算法能够有效处理数据中蕴含的多种特征信息，算法性能优于原IB算法；相比于k-means算法、NCuts算法和PLSA算法，mf-MIB算法得到更高的聚类精度和标准化互信息，优势明显；此外，mf-MIB算法能够有限迭代次数内有效地收敛到一个局部最优解。本文提出的mf-MIB算法可应用于聚类分析、模式识别、信息检索等领域，并且实验结果表明其能得到高质量的聚类结果。此外，本文提出的mf-MIB算法比原IB算法适用更多种类的数据集，为IB方法提供了一个新的研究思路。