新型冠状病毒肺炎疫情在全球爆发,面对海量的出行轨迹、资源分配和疫情防控等数据,如何从中挖掘出有用的信息对疫情进行联防联控显得十分重要。聚类作为数据处理的基本工具在我国精准施策过程发挥了十分积极的作用。由于非负矩阵的可解释性,非负矩阵分解已成为基于局部表示整体的重要表达形式。它已成为用于聚类任务的数据分析工具。非负矩阵分解（NMF）是用于聚类任务的经典数据分析工具并且通常NMF考虑平方损失来衡量重构误,因此它对异常值的存在很敏感。为了解决这个问题,本文对NMF的鲁棒性进行研究,并提出了两种鲁棒NMF模型:1、本文重新考虑了双曲正切（tanh）函数作为鲁棒损失来衡量重构误差,提出了基于参数化双曲正切函数的NMF模型（tanh NMF）。2、为了考虑相似性重构的鲁棒问题,本文探索了一种鲁棒的基于相似度的概念分解模型（Robust Similarity based Concept Factorization,RSCF）。本文主要工作为:1)为了抑止离群值对损失函数的影响,提高模型的鲁棒性,本文提出了一个基于参数化双曲正切损失函数的NMF模型,称为tanh NMF。并且本文为tanh NMF设计了一个新的局部约束项,提高感知数据局部结构能力。在有/无损坏的四个常用人脸数据集上进行聚类的实验表明,该方法在与包括NMF及其鲁棒基准方法比较中,均取得了令人满意的性能。2)本文还提出了一个概念分解的改进模型,即基于相似性的概念分解（Similarity based CF,SCF）。SCF在重建相似性的同时也考虑了对数据进行重构,这提高了聚类的性能。同样考虑到SCF目标函数的鲁棒性,本文使用无穷范数来衡量SCF的重建误差得到新的鲁棒SCF（RSCF）。因此,RSCF有相似性保留、对相似性扰动的鲁棒性以及重构样本的能力。本文中大量的实验验证了这两种方法的优点,并且与比较的基准算法相比,本文所提出的SCF和RSCF可以实现较大的性能提升。