无监督学习和监督学习是机器学习方法的重要组成部分,其中,聚类分析是无监督学习中的一个重要方面,是最典型的无监督学习任务,有广泛的应用场景。相关成分分析(Relevant Component Analysis,简称RCA)是监督距离度量学习方法,同时也是数据降维的一种方法。在大数据环境下,无监督学习的比重逐渐增大,监督学习与无监督学习之间的距离逐渐拉近,监督学习正在向无监督学习靠拢。本文主要工作是在提出无监督学习评价模型的基础上,提出两种无监督学习结果的置信度标准,根据无监督学习结果离类簇中心点的距离以及无监督学习结果置信半径内的邻居数量,判断无监督学习结果的置信度,距离越远,置信度越低,邻居数量越多,置信度越高,还定义了图数据无监督学习结果的置信度,提出了学习成组数据算法;分析聚类和相关成分分析的目标函数,发现两者具有相似之处,然后把两者进行融合,提出一种无监督相关成分分析(Unsupervised Relevant Component Analysis,简称URCA)算法框架,将无监督学习结果中置信度比较高的样本点作为相关成分分析的已知成组数据,置信度比较低的样本点作为相关成分分析的未知成组数据,无需人工标记的开销,摆脱人工标记在数量和准确率方面的限制,达到优化原始数据分布以及数据降维的目的。最后设计实验,采用一些经典的标准数据对所提出的算法框架进行检验,实验结果表明,无论是否降维,采用无监督相关成分分析框架的算法效果比没有采用无监督相关成分分析框架的算法效果好,还设计实验验证了置信度与学习准确率的关系、已知成组数据数量与学习准确率的关系。