互联网的迅速发展为人类社会带来了大规模的形形色色的数据。聚类是分析是挖掘历史数据使之变废为宝的有效工具之一。通过聚类我们可以挖掘采集数据的内在分布模式,获取有效信息并以此支持现实决策。在大数据时代,我们面对的数据往往是高维度,多侧面的,到目前为止,许多聚类方法被提出以应对高维度聚类问题,但现有方法存在明显局限性:(1)大多数聚类集成都是无监督式,没有充分挖掘使用数据集所拥有的领域知识。(2)聚类集成中有小部分为半监督式,但仅利用相似度指标或者特征维度对比方法进行冗余聚类集成成员的移除操作,缺乏系统的优化搜索过程。(3)目前半监督聚类集成领域缺少对先验知识良莠选择。针对上述问题,本文提出了两种半监督聚类集成框架:第一,基于集成成员选择的半监督聚类集成框架(ISSCE),ISSCE的创新点有:1)采用随机子空间技术产生集成成员并引入领域知识辅助聚类过程2)采用了半监督聚类算法E2CP,该算法结合约束传播技术最大化地利用了数据集的先验信息。3)采用启发式集成成员选择算法寻找最优集成成员组合。第二,基于约束投影的双加权半监督聚类集成框架(DCECP),DCECP的创新点有:1)基于Boosting思想对成对约束进行赋权以实现差分对待2)利用加权成对约束对原特征空间进行约束投影3)基于启发式演化思想提出自适应集成成员加权集成。18个真实数据集上的实验表明,本文提出的两个框架在高维聚类场景中表现得更加精确、鲁棒,优于大部分现有聚类算法。