聚类是用于数据分析的一种有着广泛应用的统计方法。随着数据收集技术的不断发展进步，数据集的维度越来越高，在高维数据集上进行聚类成为一个具有挑战性的课题，自适应降维聚类法（ADRC，Adaptive Dimension Reduction Clustering）是近年来提出的一类具有较好应用前景的高维聚类算法，它以距离作为相似性度量，同时地考虑“自适应降维”和“子空间聚类”两个方面，使所抽取出来的子空间具有最佳判别能力，从而聚类的结果比起传统的算法，如K—means（KM），更容易跳出局部最优.然而，这类算法在建模的时候没有考虑到离群点可能带来的影响，对数据集中同时存在明显同方差簇和离群点的情况表现得不鲁棒。而离群点在现实数据集中是经常出现的. 为处理这个问题，本文提出了噪声鲁棒的ADRC算法思想（NRADRC，Noise Robust ADRC）.它尝试在自适应降维聚类算法的两个主要步骤“自适应降维”和“子空间聚类”中引进密度因素，降低这两个过程被噪声污染的可能性.本文选择最近提出的LDAKM算法作为特例，在其两个子过程LDA和K—means过程中考虑密度因素，得到NRLDA（Noise Robust LDA）和NRKM（Noise Robust K—means），然后从理论上证明了如果使用同一种有效的密度估计方法，NRLDA和NRKM可以集成为一个统一的噪声鲁棒的自适应降维聚类框架。最后，采用一定的密度估计策略在实际数据集和合成数据集上进行实验，结果表明了NRADRC的有效性.