谱聚类目前已经成为聚类的主要方法之一,但传统谱聚类算法的相似度量方法不能很好地揭示未能完全分离的数据集的真正聚类,而基于共享近邻紧密度的谱聚类算法能够有效地改善该问题,提升聚类质量。故本文主要对基于共享近邻紧密度的谱聚类算法进行了研究,具体工作内容如下所述:(1)针对因基于共享近邻紧密度的谱聚类算法的计算时间复杂度和空间复杂度较高,当处理大规模和高维数据时,其时间开销较大,代价太昂贵,算法有可能会因为系统内存不足的原因而失效等原因,提出了一种它的增量版本来改进聚类的性能。该算法的思想是先将数据集分解为若干子集,然后以增量的方式在每个子集上运行,从而保证其具有良好的聚类性能。通过对人工数据集和仿真数据集进行大量的实验验证了本文的谱聚类算法的有效性。同时,该算法的时间消耗低,聚类精度高,且能够有效的对不断增加的数据集进行聚类。(2)针对由于传统的拉普拉斯矩阵通常会受噪音干扰或者来自于底层分布的有些偏颇的样本,致使计算出的指示向量不同于真实的向量值,故在本文算法中特征向量由拉普拉斯矩阵和分区级副信息算得;此外,将高斯核模糊聚类加入到基于共享近邻紧密度的约束谱聚类算法中,可以使其具有核函数和模糊数学的双重优势,从而弥补谱聚类算法中由于谱聚类算法硬划分的特性而对聚类结果产生的影响。实验结果验证了所提出的基于共享近邻的高斯核模糊分区约束谱聚类算法(GKCSNN)的有效性。