高维数据的复杂性、稀疏性和多样性等特点制约着传统聚类算法的有效性,面向高维数据的聚类分析已然成为数据挖掘领域的重要研究方向之一。子空间聚类算法是传统聚类算法在高维空间中的延伸,能够有效实现高维数据聚类。稀疏子空间聚类算法是一种基于谱聚类方法的子空间聚类算法,它具有不依赖子空间的维度和数量、能够处理噪声和奇异点等优点。本文从传统的K-means聚类算法和稀疏子空间聚类算法出发,在分析现有聚类算法的基础上,对高维数据的聚类算法展开了改进研究和应用。本文设计出一种结合了“距离优化法”与“密度法”的K-means改进算法—DK-means算法,用于确定初始聚类中心;为了解决DK-means算法加入额外的计算量而导致时间复杂度增高的问题,本文引入了一种基于“安全距离”的优化策略,设计了 EDK-means算法,进一步改善了 DK-means算法的执行效率,提高了聚类质量。同时通过将Trace Lasso引入稀疏子空间聚类的正则项,设计了一种新的自我表示模型,将EDK-means应用到谱聚类过程中,设计并实现了 TL-MSR子空间聚类算法,较好地解决了聚类算法的性能问题。本文对改进后的聚类算法进行了实验验证,并与原始聚类算法进行比较分析。实验结果表明,改进的聚类算法优于原始聚类算法。同时本文还针对改进的聚类算法设计并实现了一个聚类算法原型系统。