聚类集成方法通过综合使用基聚类成员的不同版本来实现无监督的分类任务。集成技术主要通过两个步骤实现,一是产生高质量的基聚类成员集体,二是设计高效的共识策略。近几年,由于聚类集成技术在处理数据分类方面的优势,其渐渐成为机器学习的热点。本文研究采用遗传算法作为共识策略,针对下面两个方面进行了设计和改进:首先,考虑到模糊聚类算法能够发现比硬聚类算法更丰富的分类信息且模糊聚类算法的灵活性较好,因此本文采用了模糊聚类算法作为遗传共识策略中的基聚类器。此外,又考虑到聚类集成概念下遗传共识策略设计的不完善性和收敛速度慢状况,又引入了自适应因子,从而提高了集成的速度。综上,提出了一种新的遗传共识集成方法。其次,基于互信息的遗传共识函数是种群进化的引领器,而基聚类成员是共识函数中的关键参数,多样性的、高质量的聚类成员有助于得到较好的融合结果。所以为了进一步探索稳健性、鲁棒性和平均性能更好的集成结果,也为了使基于遗传共识的聚类融合算法适用性更广,本文引入了不同的数据变换算子,进而提出了基于随机数据变换算子的遗传共识方法,并通过实验验证了上述所提算法的有效性。