子空间聚类中是一种在假设处于同一子空间中的数据可以通过属于同一子空间中的其他数据线性表示的条件下,将高维空间化作低维子空间,利用数据点的线性自表示,将能够互相线性表示的数据视为同一类,将不同类别的数据视为属于不同的低维子空间的聚类方法。子空间聚类算法可以有效处理较高维度的数据的聚类,其在人脸识别,图像处理和轨迹识别等方面已有广泛的应用。然而,传统的子空间聚类方法精度还不够高;对于数据结构的假设过强,使其适用面较窄;对非线性结构的高维数据效果较差。为了克服这些不足,本文对子空间聚类算法进行了如下改进:(1)针对子空间聚类算法精度不足的问题,本文中提出了一种新型稀疏子空间聚类算法。首先在构建子空间优化目标时设计了新的正则项,令算法能够同时保证类间无关性和类内相关性,以此提高算法的精度,且令算法受到噪声的干扰更小,具有更好的鲁棒性。然后基于子空间聚类中所得系数矩阵的性质,结合谱聚类关于相似度矩阵的定义,将系数矩阵进行了与其他子空间聚类算法不同的处理,使其更符合后续谱聚类算法需要,保证同类的数据有更好的数据相似性。最后我们对所得矩阵使用谱聚类算法从而得到聚类结果。实验结果表明,通过本方法得到的聚类结果,其准确度较原有子空间聚类算法精度更高,对噪声的鲁棒性更强,且在数据噪声较大的情况下,相较其他子空间聚类算法优势更为明显。(2)针对子空间聚类算法对数据分布假设过强的问题,本文提出了一种基于KNN的新型子空间聚类算法。通过将传统分类算法KNN的思想融入子空间聚类算法,使子空间聚类算法可以有效地面对非线性高维数据聚类,扩展了算法的适用性。首先设计了一种基于KNN算法的相似度矩阵,然后将该矩阵作为约束项融合进子空间聚类算法中,使子空间聚类算法在线性系数选择时,倾向于所表示数据点的K近邻,最后对所得系数矩阵进行谱聚类。实验表明,基于KNN的子空间聚类算法在面对高维线性与非线性数据均能够保持较高的准确率,且面对噪声时同样有着较好的效果。