聚类分析是一个相当重要的课题,随着现代技术的发展,数据结构变得复杂,使得数据的维度相应增大,数据维度的增长,对传统的聚类算法带来了不同的挑战,特别是,对于高维数据,由于维灾难的影响,传统聚类算法使用的相似性度量在高维空间中是没有意义的,高维数据存在的普遍性,使得高维数据聚类的算法研究已成为聚类分析的一个重要研究方向,很多针对高维数据的聚类方法被提出来。其中,基于降维的聚类方法是处理高维聚类的一个行之有效的手段,通过将高维数据降低到相对较低的维度,在减少数据维度的过程中,又很好的保留了数据的结构特征,然后再使用传统聚类算法对其进行聚类。数据降维的技术近些年得到了快速的发展,典型的降维算法有PCA,LLE,SNE,Autoencoder等,不同的方法适合于不同的数据结构。同时,由于高维数据的很多属性都是冗余的,只有少量的主要特征决定数据的结构,这启发了子空间聚类的产生,子空间聚类就是找到嵌入在原始数据空间的特征子空间,并在这些子空间考察聚类的过程。超图划分被认为是处理高维数据聚类的有效方法。在本文的研究中,提出了一个新的高维聚类方法称为MDSG(Merging Dense SubGraphs)。该方法首先通过共享近邻(SNN)方法,构造数据的共享近邻图G,然后将图G中的最大团定义为超图的超边,构造出一个超图。最后利用一个改进的超图划分方法得出最终聚类结果。使用几种不同类型的高维数据集对本文提出的MDSG方法进行评估,实验结果表明,在高维数据的聚类方面,该方法优于传统的聚类方法和其他超图划分方法。