作为数据挖掘的一项重要技术,聚类分析已经逐渐成为一种跨学科、跨领域的数据分析方法。传统的聚类是一种无监督的分析方法。半监督聚类主要是将少量先验知识融入到聚类过程中以获得更好的聚类结果。本文以半监督聚类为主题,就聚类的有效性进行了评估分析,主要研究内容如下:（1）大量的不同类型的半监督聚类算法已被提出,评估其算法的有效性已成为半监督学习的重要研究内容之一。然而,已有评估方法主要以无监督聚类结果为基准线去评价半监督结果的有效性,没有充分考虑监督信息对聚类结果的影响。为了更加客观地评估半监督聚类算法的有效性,我们从监督信息是否参与到聚类过程中以及它是否改善了聚类结果方面,提出了基于相似性和基于随机合并的两种基准线。它们以聚类结果不违反监督信息约束为基本假设,在其基础上观察聚类结果的质量。在实验分析中在8个数据集上对8种半监督聚类算法进行了评估分析,并与相对应的无监督聚类结果进行对比,展示了新基线的有效性和可行性。（2）由于半监督聚类的性能受监督信息的影响,不同的监督信息往往带来不同的聚类结果。人们普遍认为半监督聚类的结果总是随着监督信息的增多而提高,然而已有实验证明该说法的不合理性。因此,为了更好的研究约束集质量对半监督聚类算法的影响,本文提出了一种基于核心边的约束集质量评估方法。该方法根据成对约束的性质将约束集生成必连约束闭包和勿连约束闭包,并在此基础上提出基于核心边的度量指标。本文认为核心边的数目越多,约束集的质量越好。本文在8个基准数据集上对5个经典半监督聚类算法的约束集质量进行评估。实验结果显示,所提出的方法可以有效的评估半监督聚类算法的约束集质量。（3）针对半监督聚类算法中缺少基准来评估半监督聚类算法的好坏问题,开发了半监督聚类算法的有效性评估系统。该系统详细地介绍了各个模块的功能,展示了数据集的基本信息以及所用到的算法的基本信息,并将半监督聚类的评估结果以散点图和柱状图的形式进行了展示。针对半监督聚类算法的有效性评估问题,本文分别从聚类结果和约束集质量两个方面进行了研究。所提的方法进一步指引了半监督聚类的研究方向,为半监督聚类评估提供了有效的技术支持。