近年来,谱聚类算法是聚类分析的一个重要分支,是模式识别、机器学习、数据挖掘等学科领域的重要研究内容之一。谱聚类是一种基于相似度矩阵的聚类算法,根据谱图分析理论对相似度矩阵进行划分。其本质是一种点对聚类算法,将聚类问题转换为图的最优划分问题。与传统的聚类算法相比,谱聚类能对任意形状的样本空间进行聚类,并能收敛于全局最优解。本文在研究传统的谱聚类算法、基于密度的聚类算法和基于路径的聚类算法的基础上,融合了基于密度算法和基于路径算法的优点,进行了基于密度与路径的谱聚类算法的研究。所研究的算法主要是构造新的相似度矩阵,而通过实验发现新建立的矩阵是接近理想的块对角相似度矩阵。本文在人工数据和手写数据集上进行了实验,实验结果表明该算法的聚类效果较传统的谱聚类算法有了一定的改善。本文还在基于密度与路径的谱聚类算法的基础上,通过数据集的邻域信息添加鲁棒性系数来达到增加算法抗干扰性能的目的,进行了基于密度与路径的稳健谱聚类算法的研究。通过实验比较了该算法与DBSCAN算法、PB-SC算法和RPB-SC算法的聚类性能。在人工数据集和手写数据集上的实验结果表明,基于密度与路径的稳健谱聚类算法的综合聚类性能优于其它三种算法的聚类性能。