现实生活中有大量事物可以建模成图数据结构，因此，对于图数据的数据挖掘有很广泛的应用领域和很重要的应用价值。聚类是数据挖掘中十分重要的方法之一，因此，图数据中的聚类问题被人们很自然地提出，并已做了大量深入的研究工作。本文针对图聚类问题中的两个问题，提出相应的改进算法：传统的聚类要求不同的分组之间不能有公共的重叠部分，而这显然与现实情况相冲突。以人际关系网络为例，每个人都属于不同的社交圈子，比如同事圈子、朋友圈子等，聚类时显然不能强行将这个人划分入唯一的一个圈子，因此需要圈子之间允许重叠。对此，有人提出了图的重叠聚类算法。基于边聚类的方法可以很好的解决重叠聚类的问题，该方法将边作为聚类对象，对边进行聚类，结果再转化为基于节点的聚类。在该算法的思想上，本文提出将边转化为重边，利用图的重叠聚类算法对边进行聚类，目的在于得到更精确的聚类结构。所提出的算法在真实数据上的实验表明，该算法可以得到很好的聚类结果。更一般的图数据结构不仅包括拓扑结构信息，而且节点（和/或边）可以携带用于描述自身性质的属性标签，这种更一般形式的图称为属性图。由于从真实生活中提取到的数据可以组织成属性图的形式，这种对事物的表达更加精确，因此属性图的应用十分广泛，在属性图上进行数据挖掘可以得到更精确或更有趣的结果。本文针对属性图的聚类问题，利用节点的属性信息为每条边赋权，提出赋权过程的具体算法，并利用已有的带权图聚类算法对属性图进行聚类。算法中采用EM算法对属性的权重进行学习，得到属性权重矩阵。实验表明，该算法优于当前最新的算法。