谱聚类作为一种灵活的热门聚类算法,在处理小规模数据集时通常优于传统的聚类算法,例如k-means。当数据样本量记作n时,它的计算复杂度为O（n~3）,空间复杂度为O（n~2）,巨大的损耗导致了谱聚类方法对于大规模数据集处理的局限性。受到核方法、Nystr（?）m扩展思想和循环矩阵等矩阵分解技术的启发,本文提出以下工作来解决上述问题:首先,为了提升聚类算法处理大型数据集的速度,提出基于随机傅里叶特征逼近的特征选择算法。在设计的二阶段偏好聚类框架中,先根据随机傅里叶特征将偏好矩阵映射到特征矩阵,然后在转换后的特征空间中利用传统聚类方法进行聚类。在包含100,000个收视率的电影数据集上的实验结果表明,这种方法在聚类精度方面比Nystr（?）m和k-means方法更有效,同时具有更好的聚类性能。其次,为了降低核矩阵近似方法处理大规模数据集的空间复杂度和时间复杂度,提出基于随机循环矩阵投影的Nystr（?）m扩展方法。在设计的基于循环投影的Nystr（?）m扩展模型中,先利用随机采样得到一个初始矩阵的近似轮廓,然后构造循环嵌入矩阵,将该循环矩阵作为投影矩阵,从而将输入数据空间的初始轮廓嵌入到一个低维的特征子空间上,最后在子空间上进行特征值分解。与其他典型的矩阵近似方法相比,所设计的循环矩阵投影方法具有时间复杂度低,重构精度高的优点。最后,提出了一种无需特征分解的快速谱聚类算法,通过乘法迭代来降低时间开销,解决了样本数较大时传统谱聚类算法执行特征分解所消耗时间过大的问题。先利用Nystr（?）m方法进行随机采样来建立采样矩阵和原始矩阵之间的关系;然后基于乘法更新原理实现矩阵指示器矩阵的迭代更新。实验结果表明所设计的算法能够在保证聚类精度的同时,提高传统谱聚类方法的效率,弥补了谱聚类在处理大样本数据集时需要对拉普拉斯矩阵完成特征分解的时间消耗缺陷。综上所述,本文的目标是利用特征选择和特征映射方法扩展聚类方法,优化算法计算速度和存储空间,从而解决传统谱聚类方法存在的问题,使其更有效地应用于大规模数据集中。