随着数据呈现出大规模和复杂化特征,当前聚类模型不能有效的进行数据聚合,因此大规模和高维数据集成聚类模型被提出。近年来,大规模数据集成聚类领域,谱聚类算法成为该领域基础模型,能够有效地挖掘大规模数据的簇结构,将有效簇结构信息应用到医学、生物学、气象等领域,促进领域信息发展。基于数据维度高维化发展,高维数据出现在医学、生物学等领域,基于高维结构复杂性,针对信息不完全挖掘问题,提出了子空间挖掘模型,提升簇结构挖掘效率以及挖掘信息完整性。通过对大规模高维数据集研究,发现其蕴含多样化有效信息需要挖掘,而基础大规模或高维数据集成聚类模型,不能有效地聚合这类数据集。因此提出了线性耦合法,耦合基础模型,形成统一集成聚类框架,聚合大规模高维数据集,将挖掘出信息应用到医疗数据分析、图像检测、模式识别等领域,促进领域信息发展。数据规模指数级增长,造成如下两个问题:1)数据规模超过谱聚类算法内存设定阈值,导致内存溢出。2)数据样本间直接计算相似值,相似值不完全映射原始数据集。针对上述两个问题,提出基于自然邻居编码集成聚类模型。首先,引入自然邻居随机混合策略,缩减原始样本体量,降低内存成本消耗,并且搜索样本代表点以及代表点映射的自然邻居集合,编码代表点与原始样本关系,基于编码关系构建稀疏子矩阵。其次,稀疏子矩阵抽象为图模型,图分割获得单次基聚类结果。最后,归并多个基聚类结果构建集群,基于集群构建样本-簇相似矩阵。引入传递切图定理,证明集群相似矩阵和传递相似矩阵等价于同一图模型,分割等价图模型获得共识聚类结果。模型基于随机代表点选取,映射多样化编码关系,基于编码关系生成多元基聚类,提升了共识聚类效果。高维空间簇结构,隐藏在低维子空间中。子空间簇挖掘时存在以下两个问题:1)子空间基于统一评价体系,导致数据间相似性计算同质化。2)获得多个基聚类中信息包含差异较大。针对上述问题,提出基于自然邻居高斯核度量准则和熵值加权模型。首先,构建自然邻居含参高斯核,参数迭代更新生成多样性评价体系,匹配多个子空间和评价体系,形成子空间-评价体系对空间,在该空间中获得基聚类结果。其次,归并多个基聚类构成集群,引入熵值计算每个簇熵值,选取熵值大的簇构建二部图模型。最后,基于标准化图切算法,获得共识聚类结果。模型基于高斯函数池和随机子空间,映射多样化子空间-评价体对结构,基于该结构获得多元化基聚类,通过熵值加权筛选优质基聚类,基于此提升模型的共识聚类结果。大规模高维数据集,数据体量大且维度高,数据集聚合存在以下两个问题。1)大体量和高维度,导致模型产生内存溢出。2)规模缩减（体量、维度）时会产生信息损失。针对上述问题,提出图分割大规模高维数据集成聚类模型。首先,随机采样原始高维空间,形成多个随机子空间减少信息损失。其次,子空间基于自然邻居随机混合策略,缩减数据体量,构建稀疏子矩阵,生成图模型获得基聚类结果。最后,归并多个基聚类结果构建集群,集群映射为图模型,分割图模型获得共识聚类结果。模型基于自然邻居随机混合策略、子空间评价体系对结构,映射多元化基聚类,基于此提升模型共识聚类效果。基于上述三个模型研究,发现本文提出的模型数据聚合效果,优于其他对比模型,体现出二部图分割的高效,以及随机化映射多元化体系的优势,并且反映出多样性优质基聚类,能够构建更好的集群,获得更优化的共识聚类结果。