数据挖掘是从大量数据或数据库中挖掘出有价值信息的学科,已经在诸多领域得到了应用。而聚类分析作为数据挖掘中一种不可替代的挖掘技术,同样得到广泛应用,聚类分析根据相似性将样本分为不同的簇或子集,使得不同簇中的样本具有很大的差异性。近年来,核方法因其在非线性模式分析任务中的优势,被广泛用于聚类任务中,但是核聚类的性能很大程度上依赖于核函数以及参数的设置上,因此产生了多核聚类方向,近几年来,基于多核聚类的方法也得到了研究人员广泛关注,并在这一领域不断取得进展,本文工作是基于多核聚类算法的研究。我们发现现有的大多数基于多核聚类的算法大多没有充分考虑局部流形结构,但是局部流形结构的刻画对聚类性能提升是很重要的。针对这个问题,本文提出了两种基于局部学习的多核聚类算法,并在此基础上开发了一个多核聚类算法分析系统。具体的工作内容描述如下:（1）提出基于流形自适应的多核K-Means算法（MAMKKC）。基于K-Means的多核聚类算法旨在通过对一组核的集成来提高核K-Means聚类的性能。然而,现有的多核K-Means算法大多利用核内的非线性关系,而多核空间中的局部流形结构并没有得到充分的考虑。本文采用流形自适应核代替原核,对核的局部流形结构进行集成。因此,诱导的多流形自适应核不仅反映了非线性关系,而且反映了局部流形结构。另外还提出了一种求解最优解的迭代算法。实验结果表明,在多个基准数据集上,该方法优于许多先进的算法。（2）提出基于最优邻域的多核概念分解算法（ONMKCF）。该算法是一种新的用于数据表示和聚类的多核概念分解算法,首先,在多核框架下,扩展核概念分解,以达到缓解核概念分解中存在的核选择问题。然后考虑到核空间中的非线性关系没有捕捉流形,因此我们从多个核诱导的多个候选图中学习最优邻域图来反映流形的内在结构。同时,对多候选图矩阵的拉普拉斯矩阵施加新的秩约束,使得得到的多候选图矩阵中的连通分量正好等于聚类数。另外还提出了一种求解最优解的迭代算法。实验结果表明,在多个基准数据集上,该方法优于许多先进的算法。（3）设计并开发了一个多核聚类算法分析系统,该系统包括数据集选择、多核聚类算法选择以及算法结果展示等功能,本系统集成了本文提出的两个算法以及对比算法,系统可以通过选择不同的数据集进行实验,具有良好的可用性。综上,本文围绕多核聚类中存在的问题,提出了两个基于局部学习的多核聚类算法。聚类分析不管是对于理论还是对于实际应用方面,都有着其不可替代的作用,所以本文提出的两个聚类算法都是有一定的意义和价值的。