单细胞RNA测序数据分辨率的提高和不断增长的数据集带来了令人兴奋的机会。聚类分析是研究分析这些庞大的单细胞数据异质性的有利计算方法。在过去的几年中,已经提出了许多聚类算法来分析sc RNA-seq数据,但由于sc RNAseq数据中存在多种挑战,例如,高噪声,高维度等问题,增加了识别细胞类型的时间和复杂性,使系统数据分析更具挑战性。因此算法需要不断进行调整。已提出的方法大多使用全部的特征或者通过繁琐的特征计算来进行聚类,这通常需要较大的计算成本来处理高维数据,其次,现有的算法大多是基于单一的聚类算法,得到的结果难以满足对复杂的单细胞数据的最优概括。为了更好的解决上述提到的诸多问题,我们在本文中提出了两种用于分析sc RNA-seq数据的聚类方法,主要工作如下:（1）设计了一种基于随机子空间抽样的单细胞聚类算法。我们首先基于原始特征空间构造一个潜在的特征空间,通过对潜在特征空间执行多次随机采样来生成多个子空间,然后构造K近邻邻接图,以捕获所生成子空间中的局部结构。接着为了融合来自多个子空间的亲和度图,使用迭代相似性网络融合方案实现图融合用于最终频谱聚类。实验结果表明,该算法能够有效的识别单细胞类型。（2）设计了一种基于链接集成的单细胞聚类算法。该方法基于聚类集成策略来聚类高维数据。基于五种已经提出的用于单细胞聚类分析的方法,得到多个不相同的聚类解决方案,并且根据其多样性选其中最优的聚类子集;其次,基于一种链接相似性评估的链接集成的方法,通过考虑相邻点相似性创建一个精炼的集群关联矩阵,整合多个在不同的聚类方案中的信息;最后利用层次聚类生成最终的数据划分。实验结果表明,该算法能够准确的识别单细胞聚类,比本文中其他先进算法更出色,更好的促进对细胞异质性的分析研究。