聚类是人类一项最基本的认识活动,也是处理数据的重要工具,在许多领域中被广泛地应用。该文主要侧重于半监督聚类分析的研究,针对现有方法存在的问题,提出一些新方法和观点。该文首先对聚类分析做了深入的研究,详细介绍了聚类的发展、研究现状,并在此基础上对具有代表意义的不同聚类方法进行了总结、比较;定义了与论文研究有着密切关系的信息论相关知识点以及数据分布和优化理论等概念。接着重点探讨了基于辅助空间的半监督聚类算法并分析算法的相关性质。然后将极大熵原理引入半监督聚类方法中实现聚类。提出基于辅助空间与极大熵的半监督聚类算法AMESC,针对该算法中的代价函数进行迭代优化,给出了一个新的聚类算法。AMESC的优势在于它依据模拟退火过程,使算法避开局部极小而得到全局极小,提高算法性能。一般来说,无监督聚类仅仅基于主空间。当辅助空间被引入聚类过程时,无监督聚类成为半监督聚类。在这篇论文中,代价函数的设计既考虑到主空间又考虑到辅助空间,从而一个新颖的基于辅助空间与主空间合作的的半监督聚类方法APMSC被提出。该算法通过迭代优化,使得相应的代价函数最小化,最终得到有效的聚类结果。最后,对上述算法做了设计和实现,通过大量实验测试验证了该文提出的算法具有有效性和优越性。