由于缺乏数据分布的先验知识,聚类通常需要对数据做出一定的假设,然后以某种标准来对数据进行划分,但这种假设不一定符合数据的真实分布情况。聚类融合则是一个很好的解决方法,它利用融合函数将聚类算法产生的多样性聚类成员进行合并,能够得到更加鲁棒的、稳定的、一致的最终聚类结果。然而,参与融合的聚类成员(即融合成员)质量差的话,最终聚类结果的准确性可能会降低,这就需要从中挑选出部分质量较好的融合成员,这就是选择性聚类融合算法,其中,最重要的研究内容是选择策略和融合函数这两部分。本文分析了现有选择性聚类融合算法中的选择策略,其中,一类策略主要侧重于挑选出质量较好的融合成员,然而,评价聚类质量存在不同的聚类有效性准则,它们都只适合于特定分布的数据集合;另外,质量较好的融合成员之间具有较小的差异度;另一类策略首先选择出质量最好的聚类成员作为参照成员,然后在选择融合成员时综合考虑质量和差异度的影响,然而,该策略过分依赖于这单个参照成员的选择,并且该参照成员的质量评价也存在上述问题。针对这些问题,本文提出了基于多参照成员的选择策略。该策略首先对初始聚类成员进行分组,这样组与组之间就会具有较大的差异度;然后在每一组内挑选出质量最好的聚类成员作为参照成员,并据此在组内选择融合成员。虽然参照成员的质量评价同样存在上述问题,但由于选择了多个参照成员,使得该策略并不过分依赖于其中某一个参照成员。这样,就能保证选择出来的融合成员具有质量高、差异度大的特征,从而得到较好的最终聚类结果。实验结果表明,本文提出的选择性聚类融合算法是有效的,并且在多数情况下优于现有的选择性聚类融合算法。