在社交网络、分子生物学、通信网络和许多其他领域通常面对具有数亿个顶点和数十亿条边的图。随着图数据的增长,挖掘和可视化这些大图成为具有挑战性的任务。大多数图算法的运行时间随着输入图的大小(节点和/或边的数量)而增长。当输入图太大而无法在内存中进行操作时,执行这些巨大的图是不切实际的。图聚集将原图中的节点和边进行聚集,多个节点聚集成一个超点,超点与超点之间的连接形成超边,从而形成一个简洁的超图,同时保留原图中大部分结构或属性信息。图聚集通过创建图数据的简洁表示来加速分析。由于结构复杂和图尺寸的增加,如何对大图数据进行高效的概括,发现一致的或有趣的结构,仍需要进行细致、系统性的研究。本文首先从简单图入手,提出的简单图聚集算法不仅考虑分组内或分组间的结构一致性,而且考虑聚集图边上存在的概率。通过压缩率衡量输入图的压缩程度,采用重构误差来量化原图与聚集图之间的相似性。基于信息熵度量结构一致性,优选节点间或节点内非常稠密或非常稀疏的结构。设计了一种通过行列交换逐步逼近目标函数的启发式方法,引入信息增益以减少计算量。基于简单图聚集的研究,进一步扩展到加权图和有向图。研究加权图聚集过程中,通过统计加权图随机分组后邻接矩阵中不同权值出现的概率来计算加权图聚集的结构一致性。研究有向图聚集过程中,通过统计有向图随机分组后邻接矩阵中-1,0,1出现的概率计算有向图聚集的结构一致性。本文提出的简单图聚集算法和加权图聚集算法在真实的数据集上与现有的算法进行实验对比和分析,论证本文提出的图聚集算法的有效性以及高效性。