聚类是数据挖掘中一种重要的无监督学习方法。随着无监督学习的发展,大量的聚类算法被提出,但没有一种聚类算法可以适用于所有类型的数据集,不同算法各有优缺点。聚类集成算法是利用一种共识函数将多个聚类成员结果进行集成,使集成后的结果优于单个聚类算法得到的结果。但传统聚类集成算法也存在一些问题:随着成员数量的增加,即出现一些冗余的聚类成员,不但增加了集成复杂度,而且干扰了最终结果的准确性;大多数聚类集成算法同等对待各聚类成员,认为质量各异的聚类成员对最终结果的贡献是相同的。针对存在的问题,本文对聚类成员选择算法和共识函数设计两方面进行了研究,具体工作如下:（1）为充分考虑各聚类成员的质量和差异性对结果的影响,本文借鉴了聚类分析的基本思想,提出了一种新型的聚类成员选择算法。该算法将生成的若干个聚类成员视为一个新数据集,每个聚类成员的多差异性指标作为样本的特征值,然后利用K-means算法对新数据集进行聚类,接着利用联合质量评价函数,计算并挑选出各簇中质量最高的聚类成员,组成所需的成员子集,成员子集中的聚类成员同时满足差异性大和质量高的要求。最后,在UCI数据集上进行实验,实验结果表明本文算法在选取20%-40%的聚类成员参与集成就有着优异的表现。（2）为充分考虑各聚类成员在集成过程中所占的比重,区别对待各聚类成员,本文在D-S（Dempster-shafter）证据理论的基础上,提出了一种新型的共识函数。该算法首先结合所有聚类成员结果构建COA（Co-association）矩阵,并通过阈值设定找到各个样本的近邻样本,然后利用标签重排法统一所有聚类成员标签,接着利用联合质量评价函数为每个聚类成员赋予一定的可信度,在此基础上构造证据理论所需的mass函数,该函数刻画了各聚类成员在集成过程中所占的比重和近邻样本的分布信息,可信度越高的聚类成员在集成过程中所占的比重就越大,从而削弱了低质量聚类成员对结果的影响。最后,在UCI数据集上进行实验,并与多种算法比较,验证了本文算法的有效性。