聚类分析是数据挖掘的一个重要研究领域,已被广泛应用于统计学、生物学和市场营销等领域。目前学者已经提出了许多聚类算法。然而传统的聚类算法常常遭遇“维度效应",导致算法性能降低。软子空间聚类是一种有效的处理高维数据的方法,但是现有的软子空间聚类算法通常含有一些用户难以确定的参数。在实际应用中,用户也很难找到一种聚类算法能够处理各种形状和大小的簇,而且针对某一特定数据集,也很难判断哪种算法是最优的,因此很多学者开始研究聚类融合方法。与单一的聚类算法相比,聚类融合方法具有更好的鲁棒性、适用性、稳定性、并行性和可扩展性。本文首先对子空间聚类方法、聚类融合方法、半监督学习方法和不平衡数据分类方法的研究现状进行分析。接着针对传统子空间聚类算法的不足,本文提出了一种新的软子空间聚类算法SC-IFWSA,它采用了改进的特征权重自动调节机制IFWSA,不需要用户设置任何参数值,其在每次迭代过程中根据权重增量自动调节每个簇对应的各个特征的权重。然后基于聚类融合,本文进一步提出了两种新的算法,分别用以改进传统的半监督学习方法和不平衡数据分类方法,从而提高分类器的学习性能：(1)提出一种新的基于聚类融合的半监督分类算法SSCCE,它采用了一种易于理解的估计标记置信度的方法,首先对所有数据进行多次聚类,接着对不同聚类结果进行簇标记匹配,然后将聚类一致性系数高的未标记训练数据标记后加入有标记训练集,再生成分类模型；(2)提出一类新颖的基于聚类融合的不平衡数据分类方法,旨在解决传统的分类方法对少数类的识别率较低的问题,它通过引入“聚类一致性系数”来找出处于少数类边界区域和处于多数类中心区域的样本,并分别使用改进的SMOTE过抽样方法和改进的随机欠抽样方法对训练集的少数类和多数类进行不同的处理,以改善不同类数据的平衡度,为分类算法提供更好的训练平台。实验结果表明本文提出的三种算法都是有效、可行的,能够在大部分数据集上得到较优的结果。