聚类在数据挖掘领域中可以用来发现潜在的数据分布和隐含模式。模糊C-均值聚类,作为简单高效的聚类算法,已广泛应用于各种领域。然而随着大数据的蓬勃发展,数据呈现出非线性、高维等复杂特点,利用传统的模糊C-均值算法难以得到满意的划分结果。子空间聚类方法可以发现数据潜在的子空间信息,从而聚类高维数据,但仍无法高效处理非线性数据聚类。而核聚类算法的提出能发现隐藏在数据中的复杂非线性结构,但此类方法有三个明显的缺点:（1）忽略了原始数据中包含的局部图结构信息,未考虑样本之间的亲和度关系;（2）高计算复杂度使得它们无法用于大规模数据集;（3）核函数和核参数难以选择。为解决上述问题,本文将图嵌入的思想用于核模糊聚类中,提出了一系列的改进算法。首先,针对传统核聚类算法未有效利用数据之间的亲和度信息,提出基于图嵌入的单核模糊聚类算法,借鉴图嵌入思想,充分利用样本之间的局部结构信息,并挖掘隐藏在数据中的潜在非线性结构。进一步,为处理高维数据,提出基于图嵌入的单核属性加权模糊聚类算法,引入属性熵加权策略,对属性的权值进行优化,进一步提高算法效率。实验结果表明,与传统的核模糊聚类算法相比,所提算法展现出更好的聚类性能。其次,针对核聚类算法时间复杂度高、核空间特征不可表示的问题,提出基于图嵌入的准蒙特卡洛特征映射单核模糊聚类算法,用随机特征映射逼近核函数,使特征可显示表达,降低时间复杂度。进一步,为处理高维数据,提出基于图嵌入的准蒙特卡洛特征映射单核属性加权模糊聚类算法,引入属性熵加权策略来优化属性权重,进一步改善聚类性能。实验结果表明,采用随机特征的方法大大缩短了运行时间,提高了计算效率。最后,针对单核聚类算法核函数与核参数选取困难的问题,提出基于图嵌入的准蒙特卡洛特征映射多核属性加权模糊聚类算法,引入多核属性加权策略,通过调节核权重因子,灵活加权多核属性,从而解决单核局限性的问题,改善算法的泛化性能。实验结果表明,与单核聚类算法相比,所提算法对核参数的选取不敏感,聚类准确度得到进一步提升。