当今时代,由于互联网和信息技术的高速发展,人们获取大量的数据变得越来越容易。因此,如何将这些数据变为能够指导人们生活工作的有用信息,变得尤为重要。但是当今数据多具有高维度,增量性和具有少量先验标签信息的特点。虽然传统的聚类算法曾作为挖掘数据中潜在信息的重要手段,但在处理具有以上这些特点的数据时,变得低效、不准确且不能有效利用数据的先验信息。因此,如何挖掘这种具有高维度增量性的数据,且在挖掘过程中能有效的利用数据的先验信息,则变得尤为重要。本文针对以上问题,提出了一种新的增量聚类算法。该算法由解决数据高维度问题的特征选择算法和解决增量数据聚类问题的增量聚类算法两部分组成。在特征选择算法方面,首先通过对Relief算法的评价权重进行更改,使得更改后的权重可以用于评价特征子集。其次,使用二次Renyi信息熵并结合互信息的思想提出了QJMI评价准则,该准则可以判别特征子集中特征的间的相关性与冗余性,且具有较低的计算负载。最后,通过将两者结合,提出了基于复合相关度评价准则的FSIRQ特征选择算法。该算法能够选出具有代表性的特征子集,且具有计算速度快的特点。在增量聚类算法方面,本文通过选择聚类结果中的样本代表点,将样本代表点与增量数据混合进行聚类,解决了增量数据的聚类问题。最后,通过将FSIRQ算法与该增量聚类算法结合,提出了FS-RDRS-IC增量聚类算法。该算法可以很好的解决高维度增量型数据的增量聚类问题,并且能够合理的利用数据所具有的先验知识,使得算法具有较好的高效性与准确性。实验选用UCI数据库中的数据集,首先通过对比现有的特征选择算法,证明了FSIRQ算法的准确性与高效性。然后通过与传统聚类算法的比较,结果表明了FS-RDRS-IC增量聚类在计算速度与计算准确度上的所具有的优势。