近些年,传统文化艺术品的数字化趋势越来越明显,面对海量的数字文化资源,如何快速准确的挖掘这些数据的文化主题,从而最大程度地探索其丰富的文化内容,成为了文化分析研究领域亟待解决的问题之一。利用计算机、人工智能等方法进行文化分析是一种有效的方法,但是区别于其他数据,文化数据具有低质量的特点,主要体现在异构性、无序性和不完整性,因此传统的数据融合方法很难直接应用于文化数据。为了解决低质量文化数据特征融合中存在的问题,本文针对数据特点,分析了现有研究方法存在的不足,提出了具有针对性的解决方案。首先针对异构文化数据的无序性特点,提出了一种基于BP神经网络的异构文化数据聚类方法;其次,对于具有不完整性特点的文化数据,提出了一种基于CR-LDA的不完整文化数据主题分类方法。本文的主要工作如下:（1）从异构文化数据的特征信息入手,对其文化特征从多个维度进行分类,形成包含各类特征信息的异构文化特征信息矩阵。对矩阵间从各个维度分别采用各自的关联度计算公式计算得到地理、时间、艺术及主题人物关联度,将数据集代入BP神经网络进行训练,形成了异构文化数据间关联度度量标准。以关联度作为聚类依据,采用模糊C均值聚类算法对全体异构文化数据聚类。而模糊C均值对于初始聚类中心的选取较为敏感,这里对于选取初始聚类中心彼此间的隶属度加以限制,要求彼此间隶属度大于约束阈值,使得聚类的结果既满足同类别间紧密,同时也确保各类别的分离性。（2）从不完整文化数据的特点出发,依据其包含的特征信息从异构文化数据集中找到相关联的异构文化数据,并将其对应的特征信息进行扩充。在LDA中加入了文化主题层与文化特征关联参数,通过异构文化数据集中的数据及其所包含的特征信息的分类结果进行模型的建立,利用不完整文化数据的已有的和扩充后特征信息采用吉布斯抽样法对模型进行推导,挖掘文化主题。（3）搭建实验平台,对本文提出的算法进行性能分析。基于异构文化数据集的实验结果证明:基于BP神经网络的改进C均值聚类策略能够使高关联性的异构文化数据聚集,解决了异构文化数据无序的问题。在不完整文化数据集上的实验证明:CR-LDA模型针对不完整文化数据在文化主题挖掘上取得了较好的效果。本文提出的面向低质量文化数据的特征融合方法经过实验验证具有较好的性能,对于文化数据分析领域的研究具有一定的理论和工程参考价值。