聚类集成是一个开放性的命题,旨在解决单个聚类算法对数据划分中数据结构多样性的限制。它通过集成多种聚类算法以获得共识聚类。与单聚类算法相比,它可以更准确,更稳定地处理数据,并且对数据的结构和多样性具有更好的容忍度。粒子群优化算法是一种良好的元启发式算法,被广泛应用于多个领域。由于它只需要调整较少的参数,所以运行效率十分高。其核心思想即是粒子通过与种群内其他粒子的信息交互,快速找到最佳的粒子完成优化问题。本文提出了一种应用粒子群优化的聚类集成模型（Particle Swarm Optimization for Clustering Ensembles,PSOFCE）,融合多种经典的聚类算法对原始数据集进行多维度的特征提取以获得丰富的聚类结果,形成初始聚类结果集,并将经过Hugarin标签统一处理后的初始聚类结果集设置为目标共识解集。粒子群的快速寻优能力与Jaccard相似系数相结合,搜索与当前共识解集最一致的目标聚类,在粒子群的不断优化移动中,运用Jaccard相似系作为粒子的适应度函数来指导粒子群的寻优过程,当适应度值不再变化或者到达最大迭代次数时,获得最优目标聚类。然后,基于所提出的无监督聚类集成模型PSOFCE,设计了通过在数据集中选取不同比例数据应用无监督聚类集成对其做聚类,获得带标记的数据,用这些数据构造必连和勿连约束,然后把这些约束信息加入到标准聚类结果集,作为监督信息指导共识融合的过程,获得应用粒子群优化的半监督聚类集成模型（semi-supervised Particle Swarm Optimization for Clustering Ensembles,semi-PSOFCE）。最后,本文再采用多种经典的聚类效果评估方法评估所提出模型的聚类效果,并且与其他优秀的聚类集成模型和单聚类算法进行多维度对比实验。基于公开数据集上的实验证明:所提出的基于粒子群优化的聚类集成模型（PSOFCE）能够获得较好的数据共识聚类效果。然后,对于半监督聚类集成semi-PSOFCE,通过不同比例的约束信息构造,形成不同比例的监督信息的聚类集成模型。在不同比例监督信息梯度对比,以及其与无监督聚类集成模型的聚类效果对比中,证明了加入成对约束的监督信息,能够有效的提升聚类集成模型的聚类性能。