随着社会信息化的发展,人类现在以及未来都面临着信息爆炸的问题,对于数据的分析和处理正变得日益困难。在此背景下,聚类分析技术应运而起,并得到了蓬勃发展,很多聚类算法被相继提出。但是,任何聚类算法都是建立在一定的假设基础之上的,由于不可能所有的数据集都满足同一假设,因此在许多情况下单一聚类算法无法取得满意的结果。聚类融合通过把具有一定差异性的聚类成员进行组合,能够得到比单一算法更为优越的结果,并兼有鲁棒性、可并行性等优点,所以迅速得到了国内外学者的重视,融合学习也被人称为机器学习领域未来四个重要的研究方向之一。本论文研究的主要内容就是聚类融合。首先,结合“最近邻”的思想,本论文提出了一种基于自适应最近邻的聚类融合算法—NNCE。该算法能够根据数据分布密度的不同,为每一个数据点自动选择合适的最近邻选取范围,较好地解决了基于KNN的算法中存在的数据点的最优最近邻数量K需要实验确定的问题并进一步提高了聚类效果。其次,本论文扩展了“核心群”的思想,给出了“绝对核心群”和“相对核心群”的概念,并利用ANN思想产生一个簇的核心群,给出了基于核心群的K-means优化算法—RCBK-means,该算法能够比较好地解决经典K-means算法因随机选取初始中心点而导致的聚类结果的局部最优化问题。最后,本论文还给出对一种基于质心的聚类融合算法CBEC的改进方法--RCC-CBEC。该方法通过使用簇中相对核心群的质心来代替簇的质心,能够更精确地代表这个簇,从而得到更好的全局质心,提高最终的聚类质量。