随着信息技术的多样化应用,人类社会每天都会产生包括文本、图像以及基因等形式多样的海量数据。如何将数据转化成有组织的知识,挖掘出有价值的信息已经成为当今大数据时代的重点研究目标,并引起科学界、企业界和各国政府的高度重视。无监督的学习方法,特别是针对大规模数据的聚类分析,已经成为帮助人们探索未知数据的不可或缺的技术。基于图学习的方法是聚类领域的主流研究方向之一,被广泛地应用于层次聚类和谱聚类算法中。然而,这些方法仍然存在一些缺陷:大多数的层次聚类方法对噪声比较敏感,在噪声数据中聚类性能显著下降;受不同视图之间的异构信息和高维复杂的特征影响,多视图谱聚类不能准确地学习一致图。本文针对上述缺陷,提出更为鲁棒和有效的图学习模型以提高聚类性能。具体研究工作包括如下四方面:（1）针对现有基于图的层次聚类在图构建过程中大多只考虑数据的成对距离,对噪声和离群点比较敏感,融合对噪声、离群点具有鲁棒性的重构系数和成对距离,提出一种新的邻接图学习方法。重构系数的主要特点是数据的自表示性,即每个数据点可由另外一些数据点的线性组合来重构。所构建的邻接图能够同时利用数据点之间的距离和数据点之间的线性表示,因此其不仅能够很好的捕捉数据的局部结构,而且对噪声和离群点具有鲁棒性。基于所构建的邻接图,开发一种新的凝聚层次聚类算法,并在一些真实数据集上验证所提方法的有效性。（2）针对现有基于图的层次聚类大多同等地对待所有特征,在图构建过程中容易受到噪声特征的影响,提出一种基于自适应加权和流形正则化的邻接图学习方法。该方法在重构误差项中嵌入自适应加权矩阵,以增强重要特征在图学习过程中的影响。它从特征空间中消除噪声的影响,使所提方法能够获得一个相对鲁棒的邻接图。同时,引入流形正则化来捕捉数据自表示过程中的群效应,使数据的重构系数相对于固有数据流形是平滑的。此外,截断不重要的重构系数,进一步从表示空间中消除噪声的影响,从而获得具有块对角性和更有效的邻接图。基于所提出的邻接图,开发一种新的凝聚层次聚类算法,并在一些真实数据集上验证所提方法的有效性。（3）针对现有基于锚图的多视图谱聚类容易受到不同视图间异构信息的影响,导致聚类性能受限,提出一种基于低秩张量逼近的联合锚图学习方法。该方法首先通过平均不同视图的锚图来初始化联合锚图的亲和矩阵,并构造一个强置信亲和矩阵来刻画多个视图的强共识亲和信息。然后将这两个矩阵组成一个三阶张量,基于低秩张量逼近,使用强置信亲和矩阵中的可靠信息来修正初始的联合锚图,从而降低异构信息的影响。同时,设计一种高效的交替迭代优化算法来解决这一低秩张量优化问题。最后,在一些真实的多视图数据集上验证所提方法的有效性。（4）针对现有的多视图谱聚类在图构建过程中大多只考虑数据的浅层信息,难以有效地处理具有高维复杂特征的数据,提出一种基于对比深度矩阵分解的邻接图学习方法。该方法将深度矩阵分解和基于重构系数的图学习联合到一个统一的模型,以在图构建过程中利用数据的层次特征信息。为解决矩阵分解的可扩展性问题,模型使用一个变种的自编码器网络来近似多视图深度矩阵分解,并通过增加激活函数来保证每一层的输出具有一定的约束。首先,构建具有单个共享编码器和多个解码器的变种自编码器网络,将多视图融合转化为寻找一致邻接图问题。同时,模型还采用图对比学习约束来挖掘数据中的局部结构。然后,模型利用梯度下降法,通过反向传播以实现网络中参数的更新。最后,在一些真实的多视图数据集上验证所提方法的有效性。综上所述,本文从基于图学习的层次聚类和谱聚类出发,针对其中的一些关键问题提出多个图学习模型,并通过综合实验验证所提模型的有效性。