在图像、文本等众多研究领域中,如何对多维观测数据进行良好地表达是很重要的问题。好的方法一般具备两种特性:实现数据维度的约减以及数据潜在结构的挖掘。相比于经典的线性变换方法,非负矩阵分解由于纯加性与稀疏性的描述更具物理意义而在现实场景下受到广泛应用。然而,该算法虽然能够实现数据有效压缩并良好表达关键信息,但多数情况下这些关键信息不可预知,模型灵活性和分解效率很大程度上受到影响。另外,算法旨在反应原始数据的某种流行特征或几何结构,实际上分解后的基矩阵中关键向量构成的空间与“类”的概念有一些相似之处,这在聚类等学习任务中起重要作用。因此如何在矩阵分解中对这些关键信息进行有效利用值得探讨。本文的研究工作分别基于隐特征提取与聚类信息发掘对经典非负矩阵分解算法提出了以下两方面的改进:针对关键特征信息无法事先预知导致分解算法性能效率不高的问题,本文从概率角度出发,借助隐特征模型Indian Buffet Process,利用其生成的有限维行无限维列二进制矩阵上的先验分布结果,提出一种新的指数高斯模型,将非负矩阵分解为带有{0,1}约束的低秩编码矩阵和非负字典矩阵。并通过变分贝叶斯方法推理求得两者真实后验,自动学习隐含特征的数量及信息。分解后编码矩阵中的0与1值反映观察对象对特征的占有情况,很好地避免初始秩设置的问题。同时在合成数据集以及Swimmer dataset、Cora文档及CBCL dataset等三个真实数据集上的对比实验均表明该方法在隐特征提取任务上的有效性。针对非负矩阵分解基矩阵类间信息无法获得有效利用问题,本文基于图正则化分解框架,利用正则项使得权重向量保持数据潜在流行结构的同时,借鉴鲁棒连续估计聚类算法思想构建近邻网络,获取样本连接点对间权重信息,将基矩阵类间信息最大化一同引入目标函数作为有益补充。该方法利用迭代更新后的分解结果矩阵重构连通图,实现类簇再分配并对属于同一聚类簇的信息进行合并。最后基于合成数据集与真实数据集将本文提出的中心化方法与经典聚类算法做聚类效果对比验证,通过实验及t-SNE可视化效果可知本文方法在聚类精度上有一定程度提升,且较好地消除了原始聚类簇间界限不明显的问题。