传统的数据挖掘任务通常假定数据由同种类型、相互独立的实体构成,但现实世界的许多数据却是多关系的。多关系数据在生物信息学、Web导航、社会网、知识获取与利用、地理信息系统和自然语言理解等领域广泛存在。本文围绕多关系数据挖掘领域,针对其中多关系聚类分析任务,展开了深入研究及应用工作:针对传统聚类分析任务,在研究现有监督分类中特征权值学习方法的基础上,提出了特征加权的聚类模型;关于多关系数据的聚类分析,为了提高现有多关系数据聚类算法的效率,提出了一种两阶段多关系数据聚类算法;为提高多关系数据聚类的质量,在传统K-均值聚类算法的基础上,结合半监督学习方法,提出了半监督K-均值多关系聚类算法;针对多关系聚类分析在推荐系统中的应用,研究了基于聚类的协同过滤推荐方法,为了解决传统协同过滤的稀疏性和扩展性问题,提出了结合似然关系模型和用户等级的协同过滤推荐算法;另外,将上述算法应用到网络教育资源管理系统中,并取得了较好效果。