随着信息化时代的快速发展以及互联网技术的不断提升,导致许多行业产生的数据样本呈指数级别增长,数据维度也在不断攀升。受“数据爆炸”、“维度灾难”的影响,传统的聚类算法在面向大规模高维数据时难以取得预期的结果。因此,根据数据在实际应用中的要求以及不同领域的特点,构造高效的大规模高维数据聚类算法具有重要的理论意义和应用价值。面向大规模高维数据的聚类分析,联合聚类算法同时对数据对象和特征进行聚类,揭示了二者之间的内在关系,整合了数据的整体信息,并利用互相之间的相关性促进对数据对象和特征的聚类性能。现有的联合聚类算法考虑通过降维的方式消除冗余或噪声,但依旧会将原始的冗余或噪声特征融入到数据的聚类过程中,从而削弱最终的聚类效果。针对上述问题,本文受联合聚类算法思想的启发,基于信息瓶颈理论提出了一种交互式信息瓶颈(Interactive Information Bottleneck,I~2B)聚类算法。与现有联合聚类算法相比,I~2B算法只考虑利用降维特征变量的信息保留对行方向的数据进行聚类,在列方向上则借助数据压缩变量的信息保留用于特征聚类,并通过交互迭代过程得到最终的聚类结果。该方法的优势在于:(1)能够获得有效的判别特征,同时消除冗余或噪声特征,这有利于每次迭代后的数据聚类;(2)聚类后的数据对象可以作为监督信息引导特征的聚类。据我们所知,这是第一个以该方式解决此类问题的方法。最后,本文设计了一种新的双重交互式“抽取-合并”方法,该优化算法的时间复杂度与数据的规模和维度线性相关,能够高效的处理大规模高维数据。实验结果表明:I~2B算法的算法性能优于原IB算法以及其他传统聚类算法;相对于最新的面向大规模高维数据的聚类算法,I~2B算法也取得了更好的稳定性以及较高的聚类精度。