近年来,单细胞RNA测序技术得到了广泛的应用。随着技术的不断发展,使人们能够从中获取到大量的单细胞基因表达数据,为后期的研究以及生物信息学的探索奠定了良好的基础。单细胞基因表达数据中蕴藏着大量的生物基因信息,而如何从中分析出有意义的生物结论,揭示细胞基因间的奥秘成为了目前研究的焦点,因此对单细胞RNA测序得到的数据进行后续分析有着重要的意义。目前,聚类分析是研究该数据的重要分析手段,但因数据存在的dropout现象,导致聚类算法无法直接应用于数据中,使得到的结果并不理想。故本文的研究目的是针对单细胞基因表达数据存在的dropout现象进行聚类算法研究。本文研究了当前主流的处理该数据的降维聚类算法,借鉴其思想并进行改进,提出了一种符合数据特点、高效准确的聚类算法。该算法的思想是将降维的思想与处理dropout问题相结合应用到聚类分析中,把降维作为聚类的预处理步骤,在降维的过程中用改进的距离度量、估算插补数据等方法解决dropout问题。在此基础上,本文选择符合数据分布的模型进行聚类,并对聚类初始化的算法进行改进,从而提高了算法的准确性以及缩减了算法运行时间。在实验验证部分,本文选取了两套模拟数据,五套真实数据作为实证分析中的数据集,并对数据集的结果进行展示。然后选取不同的算法,采用一系列的实验来比对各个算法的优劣。与其他算法相比,本文改进后的算法在实验分析阶段均得到较好的结果。通过验证,该算法在一定程度上解决了数据存在的dropout问题,同时提高了算法精度以及运行速度。最后对本文进行总结,对未来的算法研究提供可拓展的思路。