随着互联网与信息技术的发展,大数据已经渗透到每一个行业和业务领域,然而由于大数据数量巨大,价值密度低,人们对数据的利用率往往很低,因此如何从数据中分析,挖掘出有用的信息,具有十分重要的学术和应用价值,已成为科研热点和难点。聚类分析是探测数据分析的关键,由于其可以在缺乏先验信息的情况下根据数据之间的关系对数据进行分组处理,可以广泛应用于图像分割,无监督分类等。近年来使用基于图论的聚类方法进行图像分割或者分类,取得了不错的效果,因而受到广泛的关注,其中如何更好地用图表示数据之间的关系是其任务的关键部分。本文基于图谱聚类的思想,提出一种新的基于鲁棒图学习的聚类模型。该模型首先将原始数据中的噪声通过鲁棒主成分分析的方式分离,然后基于处理后的无噪声数据,利用图论的相关知识构造能够表示数据间关系的相似图,最后对该相似图施加拉普拉斯秩约束,完成聚类任务。针对提出的新模型,本文设计了一种优化求解算法,并且给出了具体的算法流程。同时,在鲁棒图学习模型的基础上,充分地考虑构成多视图的视图间的关联及对聚类共享的权重,提出了新的多视图学习聚类模型。开发的多视图聚类模型采用参数加权的方法,为每一个相似图合理分配权重,并通过学习融合不同的相似图。为了验证所提出两种新模型的可行性和优越性,本文选取许多图像数据集进行大量图像分类实验,包括公共图像数据集以及自建的实验室外观专利数据集,同时选择当前主流的相关方法进行对比。实验结果表明本文提出的单视图和多视图的数据关联学习模型都能较好地学习数据间的关系,具有较好的聚类性能,有效地提升了聚类的精度与效率。通过对比实验,可以更加有力地表明本文所提出的新的聚类模型综合表现更佳,而且对噪声具有更好的鲁棒性,可以更好地完成图像分割或者无监督数据分类的任务。