聚类集成能够产生高质量和鲁棒的划分结果,解决了单一聚类算法只能解决特定问题的缺陷。聚类集成主要包括了两个步骤:（1）生成基划分;（2）信息矩阵的表示及生成一致性聚类结果。加权聚类集成和聚类集成选择是从不同的角度进一步提高聚类集成方法性能的两种方法。聚类集成选择生成基划分后采用不同的准则选出高质量的基划分结果,目前鲜有工作从基划分结果中簇之间的关系出发设计衡量基划分质量的标准。现有的加权聚类集成方法通常认为基划分中的每个簇都是同等重要的,为其分配相同的权重,却忽略了不同簇中所含有的信息存在一定的差异。因此为各个簇分配不同的权重是更合理的策略。本文针对以上两个问题,分别作出了进一步的研究与改进,提出了两个新的算法,并与现有的较经典的算法进行了完善的实验对比。主要工作如下:（1）提出了一种基于簇紧凑性的加权聚类集成算法。通过计算所有样本中各属性方差的均值作为该簇的方差,并定义了簇紧凑性指标作为权重刻画每个簇的重要性,再利用它们对传统的相似性矩阵Co-association matrix（CA）矩阵进行加权,从而得到最终的结果。（2）提出了一种基于类内散度和类间散度的聚类集成选择算法。通过计算基划分中簇的类内散度和同一基划分中不同簇之间的类间散度,定义了每一个基划分的类内类间散度来衡量该基划分的聚类质量。本文通过确保簇的类内散度尽可能小,簇之间的类间散度尽可能大来保证基划分的类内类间散度达到最小,从而选出高质量的基划分结果进行聚类集成。（3）设计并实现了基于MATLAB的加权聚类集成分析系统。该系统实现了数据集的导入、算法的内调、评价指标的选取以及实验结果的展示。采用了MATLAB GUI技术实现了系统的可视化界面。本文所研究的内容是聚类集成中有待解决的关键问题,为聚类集成的研究起到了推动作用,并且在实际生活中也具有可解释性,是未来研究的热点之一。