数据挖掘是从大量数据中提取人们感兴趣的信息和知识，这些往往是隐含的、有用的、尚未发现的信息和知识。目前，数据挖掘已经引起了人们的广泛关注，成为国内外数据库和信息决策领域的最前沿研究方向。 聚类是数据挖掘领域最为常用的技术之一。它将已有数据对象分入不同的集合，使得分入同一集合中的数据对象具有相似性，而分入不同集合的数据对象则相对来说有较大的差别。在聚类过程中通常没有教师指导，因此是一种无监督的分类。随着对聚类研究的深入，背景知识对于聚类分析的重要性逐渐为人们所认识。如何把用户的倾向结合入聚类分析过程成为一个具有挑战性的问题。 本文首先对半监督聚类概率模型进行了深入研究，并详细分析了已有算法，针对已有算法中忽视负关联限制作用和算法复杂度较高的不足，提出了一种基于度的半监督聚类算法(SCUD)。该算法综合利用了给定的正关联和负关联约束形式的背景知识，根据约束度来初始化K个聚类中心，再运用EM算法得到聚类结果。从实验结果和分析中可以看到，该算法只需使用相对较少的约束数据就能获得很好的聚类效果，并且当数据对象个数较多时可在获得良好的聚类效果前提下，具有更小的时间复杂度。 在实际应用方面，针对集装箱港口出口箱量短期预测的特点、要求和内容，设计了两步预测框架；并在此框架下提出基于SCUD半监督聚类的预测算法。该算法能通过运用下一港口、船最大载重、到达和离开时间所处月份以及关联约束等背景知识来有效地提高预测精度，帮助港口管理人员为堆场集装箱堆放、轮胎吊和桥吊的作业及人员调度预先作出合理规划。从而使得集装箱码头能保证集装箱快速地进场、堆放和装船，缩短船舶靠港时间，保证码头运行的安全稳定性，实现码头市场运营费用最小。