聚类分析作为数据挖掘中的重要技术,具有广泛的应用领域。根据应用领域的不同,聚类算法被分为了四大类,其中包括划分方法、层次方法、基于网格的方法、基于密度的方法等。目前,如何处理大规模的高维数据集是聚类分析领域的热点和难点之一。由于高维数据具有稀疏性,传统的聚类算法在处理这类数据时往往不能获得理想的效果。子空间聚类算法正是针对高维数据集提出的一种新的聚类算法。它是传统聚类在高维数据空间中的一种扩展,其主要思想是将搜索局部化,在相关维中进行簇的搜索。代表性算法包括CLIOUE、PROCLUS、ORCLUS等。然而,随着真实数据集的维数发生变化,子空间的维选择也越来越困难,这也导致了上述的子空间聚类算法在分析真实高维数据集时效果往往不令人满意。为了更好的解决高维数据集引发的问题,本文引入半监督学习的方法,通过利用以往被其他子空间算法忽略的先验知识信息,提出了一种新的半监督子空间算法,该算法关注于表现形式为成对约束的先验知识,一方面利用成对约束在全维数据下的不一致性来确定子空间的搜索方向,来进行维的选择,大大降低了子空间维选择时的难度,同时也提高了子空间维选择的准确率;另一方面利用成对约束形成簇的中心点,很大程度上提高了聚类结果的准确度。另外,由于本算法利用了成对约束信息进行维选择,这在保持了子空间聚类算法优点的同时,也避免了其他算法主观地给定参数所具有的缺陷。本文将该算法同其他算法在人工数据集和真实数据集上进行了实验比较,由实验结果可以看出该算法比其他算法具有更高的准确度,对高维数据集的效果更为明显,说明该算法在处理高维数据集时的有效性和可行性。