低秩双随机矩阵分解聚类（low-rankdoublystochasticmatrixdecompositionforclusteranalysis，DCD）通过最小化KL（Kullback-Leibler）散度准则：KL（A，S），从图关联矩阵S中获得一个非负低秩双随机矩阵分解：A=UUT（U≥0），并以U作为类标签矩阵进行聚类。在DCD方法中，因矩阵S是固定不可变的，故S初始取值选取的好坏对聚类结果有极大影响，这导致了它缺乏稳定性。针对这一问题，提出了一种基于图优化的DCD方法，将图关联矩阵S和DCD的优化集成在统一框架中，这改进和拓展了原始的DCD方法。实验结果表明，与DCD