联合聚类的目标是对二维列联表产生有意义的划分,可以根据行列间的对偶性同时对列联表的行和列进行分组。与传统的单向聚类相比,联合聚类可以有效识别子空间并揭示行列之间的隐含关系,已成为解决高维稀疏数据聚类问题的最重要方法之一。随着数据科学的飞速发展,数据集形式越来越丰富,传统的联合聚类方法在处理如重叠数据、高阶异构数据时有局限性,如何更好地联合聚类此类数据成为具有意义的研究问题。模块度是一种常用的衡量社区划分质量的标准,同时也是图聚类方法中常见的质量评价标准。通过对现有联合聚类及模块度相关工作的总结分析,主要在基于模块度的可重叠联合聚类和分层高阶联合聚类两个方面展开了深入的研究,并取得了如下研究成果:第一,针对传统的联合聚类方法无法挖掘重叠数据以及离群点等局限,提出一种最大化模块度的可重叠联合聚类方法。该方法允许行、列簇中的数据重叠,并能识别数据中的离群点。首先设计统一框架,在基于模块度的目标函数中加入使数据可重叠与非穷尽的约束,其中控制重叠程度和非穷尽程度的参数非常易于理解;然后通过迭代的行列交替优化过程使目标函数中的模块度最大化,高效地获得可重叠且非穷尽的联合聚类结果。第二,传统联合聚类方法对包含多个特征空间与多种类型数据对象的高阶异构数据聚类时则存在一定局限,并且多数现有的联合聚类方法通常产生预定簇数的平面划分而无法挖掘数据中隐含的层次结构,针对此,提出一种最大化模块度的分层高阶联合聚类算法。该方法融合高阶异构数据中多种特征空间的信息,通过执行高效的迭代算法优化基于模块度的目标函数,自顶向下分裂式执行高阶联合聚类,自动确定簇的个数并得到树状的层次高阶联合聚类结果。最后,在各类人工数据集与真实数据集上设计实验进行验证,实验表明本文提出的两种方法均优于现有的同类联合聚类方法。