DNA微阵列技术的进步使我们能够在一次实验中同时观测癌变细胞中成千上万个基因的表达水平,为人们认识、攻克癌症带来了新的契机。聚类是分析癌症基因表达谱数据最重要的工具之一,通过聚类我们能够发现癌症中存在的子类型,从而为癌症的诊断以及进一步治疗提供了可靠的理论依据。目前已经有许多癌症聚类方法被提出,但这些方法存在诸多局限性,比如1)没有考虑利用专家知识指导聚类过程,提高聚类结果的准确度。2)无法有效地处理高维基因表达谱数据中存在的大量不相关、噪声基因,或者无法进一步利用专家知识筛选病灶基因。3)聚类结果单一,无法较为完整地揭示数据中的潜在结构针对这些问题,本文提出了两种半监督聚类集成框架:第一,基于双重特征选择的半监督聚类集成框架(MDS-SSCE),MDS-SSCE的主要贡献有:1)将专家知识转化为成对约束的形式,指导聚类过程2)采用特征选择算法去除不相关、噪声基因3)利用特征选择进行聚类结果选择。第二,基于随机子空间的自适应半监督聚类集成框架(ARSEMICE),ARSEMICE的主要贡献为:1)采用随机子空间技术在基因维度上采样,减小了噪声基因对聚类结果的影响,提高了结果的鲁棒性2)对约束进行了闭包操作,从而更有效地利用了约束信息,得到了更加精确的聚类结果3)提出了一个自适应的优化框架,能够从一组子空间集合中寻找最优的子空间。在实验部分,我们用若干个癌症基因数据表达谱集来衡量本文提出框架的有效性,实验结果显示本文提出的框架在高维基因数据集上能够取得更准确、稳定的结果。