随着互联网产业的快速发展,在日常工作中产生了大量特征丰富、结构复杂的无标签数据。由于人工标记数据往往具有高额成本,因此聚类分析作为一种典型的无监督学习方法,仅根据数据之间的关联关系就能挖掘到有用的信息,受到了众多学者的关注。其中,基于图表示学习的聚类算法是该领域的主流研究方向之一。尽管近几十年不同学者提出了许多基于图表示学习的聚类算法,但仍存在学习到的表示图不具有适于聚类的连通图结构或者对噪声和离群点具有较低的鲁棒性等缺陷。鉴于此,本文基于数据的全局和局部结构信息,通过引入不同的约束条件提出了两种更为健壮的图表示学习聚类算法,旨在克服上述缺陷并提高聚类效果。本文的主要研究成果如下:（1）为了得到一个恰好具有k个连通分量的表示图,使其具有更适于聚类的空间结构,本文提出了一种自适应邻居和图正则的图表示学习聚类算法RLANGR。该算法通过局部距离信息和秩约束项的联合促进,使得最终学习到的表示图同时满足局部与全局最优结构。首先,RLANGR认为距离越相近的两个数据样本更有可能来源于同一类别,据此学习一个具有局部最优结构的表示图。然后,在算法模型中引入噪声约束项对混入数据集中的噪声和离群点进行限制,提高算法的噪声鲁棒性。最后,通过引入秩约束项确保学习到的表示图具有适于聚类的全局连通结构。为了验证算法的有效性,在4种图像和3种非图像数据集上与11个相关算法进行了充分对比,分析了算法的时间复杂度,并对算法模型中所涉及到的参数给出了取值建议。实验结果说明,在7个不同数据集上,相较于对比算法,RLANGR都能够取得相对优秀的聚类结果,说明算法具有不错的泛化能力。（2）数据往往会被混入其中的噪声和离群点所污染,从而导致真实分布结构难以被发现。为了解决该问题,本文提出了一种自适应加权噪声约束的图表示学习聚类算法RLAWNC。首先,基于噪声和离群点在数据的联合表示过程中具有较大的重构误差这一特点,该算法引入了一个自适应的权重矩阵对噪声和离群点进行约束,削弱被噪声和离群点所污染的特征的表示贡献,提升高鉴别特征在联合表示中的作用,从而提高算法在全局结构上的噪声鲁棒性。然后,引入局部距离正则项增大潜在的同类数据在联合表示过程中的表示系数。最后,引入局部距离度量项使得学习到的表示图在全局结构噪声鲁棒性的前提下同时具有局部最优结构。为了验证算法的有效性,在5种图像和3种非图像数据集上与10个相关算法进行了充分对比,分析了算法的时间复杂度,并对算法模型中所涉及到的参数给出了取值建议。实验结果说明,在8个不同数据集上,相较于对比算法,RLAWNC都能够取得相对优秀的聚类结果,说明算法具有不错的泛化能力。