随着计算机存储技术的发展,日常生活中产生了海量数据。对大规模数据进行分析,从中挖掘出隐藏的有价值的信息逐渐成为当今时代的热点。聚类技术和降维技术是两种常用的数据分析方法。聚类用以寻找数据内在的分布结构,降维用以缓解维度灾难。但是传统数据分析方法在分析海量高维数据时存在操作过程繁琐,分析准确率低等缺点,因此研究用于同时实现聚类和降维的高精度模型势在必行。本文首先提出了基于曲线距离分析的嵌入式聚类算法以同时实现高精度聚类和降维。该算法首先计算高维空间中样本之间的成对曲线距离。然后构造权重函数限制目标函数以保持样本映射至低维空间的局部拓扑结构不变性。最后由聚类的内部标准引导样本将其映射至低维空间,从而得到聚类和降维结果。本文还提出了一种由成对约束引导的基于曲线距离分析的嵌入式聚类算法。该算法首先选取4种聚类效果优异的基聚类算法,使用聚类集成方法得到部分样本的高置信度样本伪标签。成对约束可由以下两种方式获得:模型将属于同一簇的任意两样本作为最相似的样本对,将属于不同簇的任意两样本作为最不相似的样本对。然后模型计算高维空间中样本之间的成对曲线距离。接下来模型利用成对约束和聚类将高维空间样本的局部拓扑结构映射至低维空间,从而获得聚类和降维结果。本文提出的两个算法都在公开数据集上进行了广泛的实验。实验结果表明本文所提出算法有效地简化了数据分析过程,以高准确率同时实现降维和聚类。此外,本文所提出的算法可作为通用的高精度降维和聚类框架。