传统的聚类算法一般是采用基于距离为基础的数据聚类,但是随着样本维数的不断增多,数据点的间距差别很小,这样就使基于距离度量的聚类算法在高维数据领域失去意义,故传统基于距离聚类的方法在高维空间中面临着巨大的挑战。然而,在某些局部空间却存在着潜在的有价值的信息,所以寻找有效的高维聚类算法成为人们研究的方向。目前最常用的高维聚类算法有两种方法:第一、高维降维后用传统方法聚类;其利用降维算法对高维子空间数据进行降维操作,只留下兴趣度高的空间,然后利用传统的基于距离的聚类算法对子空间进行聚类。第二、选择特征子集,在子空间中进行聚类;其算法自动在高维空间中寻找信息含量较高的子空间进行聚类,这种算法开支较大,需要遍历每一个维度。本文针对以上这两种情况分别做了如下研究工作:在第三章中主要针对用Isomap降维后的特征子空间中数据分布混乱,无法正常进行分析的问题,提出了一种基于距离相似性的meansK?聚类算法,对降维后的子空间数据样本进行聚类。改进的算法通过距离相似性的差异排除孤立点并且科学的选取了初始聚类中心,降低了算法的时间复杂度,而且聚类得到的簇内部更加紧凑。因为能够用高维降维后聚类方法的数据样本有很大的要求,不具有普遍性,因此第四章中引进了一种改进的CLIQUEnew?高维子空间聚类算法,其通过分析传统基于距离聚类算法存在的问题,提出了一种以Gini值为标准的维度约简方法对高维数据进行预处理,降低了数据的维度;同时对CLIQUE算法进行改进,利用混合网格技术对稠密单元进行划分,防止稠密单元被分割到两个簇中,接着采用备份只含有稠密单元的有效数据库’D。改进后的算法比原算法搜索速度更快,聚类精度更高。