随着计算机技术的飞速发展和数据量急剧增加,数据挖掘已经成为信息研究技术中非常重要的领域,其研究方向主要包括:关联分析,预测,聚类,模式识别,分类等等。其中,聚类分析是数据挖掘技术中的研究热点,其目标是发现给定数据集中的固有结构,将该数据集划分为一定数量的簇,以使得簇中的对象尽可能相似,不同簇之间的对象尽可能不同。而为了在多个聚类中利用丰富和互补的信息,集成聚类已经成为聚类研究中热点研究方向之一。集成聚类旨在集成多个不同的基聚类,以获得更优的聚类结果;其中,元聚类算法是一类基于图分割的集成聚类算法。元聚类算法在探索图结构信息时具有高效性,但是传统的元聚类算法仅能均等的对待簇和对象,并只考虑簇与簇之间的直接联系,而无法利用其多尺度间接联系,这些是传统元聚类算法的主要缺点,也正是本文进行算法改进和提升其集成聚类性能的关键之处。本文从基于元聚类的集成聚类框架出发,首先利用k均值算法生成多个基聚类结果,并以基聚类中的若干簇作为图节点,两个节点之间的Jaccard系数为权值,构建一个簇相似图,接着在簇相似图上执行随机游走生成一个新的簇相似矩阵。基于该思路,既能反映图结构信息的不同规模,不会忽略单个步骤的节点的属性,也能解决高阶整合问题。本文进一步提出了一种新的集成聚类算法,旨在处理集成技术中三个具有挑战性的问题,即:高阶整合问题、局部可靠性问题以及运算效率问题。为了解决局部可靠性问题,本文通过熵的概念评估基聚类,并采用一个簇可靠度指标ECI计算其权值。同时在新生成的簇相似矩阵利用Ncut算法将其划分成若干个元簇。最后,通过ECI度量设计一个基于元簇加权的投票机制实现最终聚类结果。为了对比测试不同集成聚类算法的性能,本文在六个数据集上进行了实验。实验结果验证了本文所提出算法的集成聚类有效性与高效性。