聚类算法作为无监督学习的代表算法被广泛应用于数据挖掘领域。传统聚类算法如划分聚类、层次聚类、密度聚类等在大数据时代对高维数据进行聚类时,聚类的时效性、准确性都不能很好的满足人们的要求,随着量子机器学习的不断发展,许多学者结合量子计算与传统聚类算法提出了新型量子聚类算法并取得了较大的进展。基于目前量子聚类算法研究现状,本文首先对量子聚类算法进行了分类,根据分析结果,重点针对k-medians和最小生成树聚类算法进行了改进。主要的工作包括以下三个方面:第一,本文从量子聚类算法的定义与研究现状入手,对现有的量子聚类算法进行了分类。首先介绍了内积法、欧氏距离和海明距离这三种基于量子信息的相似性度量方法,分析并比较了这三种相似度计算方法所对应的4个相似度测量算法在性能方面的优缺点;然后介绍了量子化传统聚类算法、基于量子系统规律的量子聚类算法和量子启发聚类算法这三类量子聚类算法的原理、性能,以及适用的场景。最后,总结了量子聚类算法在基础理论研究与物理实验方面目前存在的问题与挑战,对量子聚类算法的未来发展趋势进行了分析与展望。第二,针对量子k-medians聚类算法中利用Swap-test子程序计算相似度初始状态制备困难的情况。本文提出一种基于海明距离的量子k-medians（QHk-medians）算法来实现对高维结构化数据的聚类。QHk-medians主要由子程序Hamm＿Dist Calc与Grover Optim组成。本文设计了子程序Hamm＿Dist Calc的通用量子线路,并基于IBM实验平台进行了实验模拟,成功实现了对网络流量数据的聚类。本文的研究表明,基于海明距离的量子QHk-medians算法对比经典算法在解决网络数据分类问题时,在准确率、时间复杂度方面有更好的性能。第三,针对经典的基于最小生成树的聚类算法构造最小生成树时,时间复杂度较高的问题,本文利用量子近似优化算法（Quantum Approximate Optimization Algorithm,QAOA）构造最小生成树。基于本源量子提供的Python版本的Py QPanda开源量子计算框架,本文设计了构造最小生成树的量子线路,并进行了实验模拟,成功构造最小生成树并实现了聚类,借助量子计算的并行性,降低了算法的时间复杂度。为基于最小生成树的聚类算法的研究提供了新的思路。