【摘要】非负函数型数据可以不等间隔观测，在理论和实践中应用广泛，对其进行聚类可以更好地探索客观规律。文章利用位置积分变换将函数型数据转化为高维向量，再通过非负矩阵分解（NMF）将其转化为低维向量，以此构建函数型聚类算法。针对基于NMF的函数型谱聚类算法，给出了确定聚类个数K的两种方法：一种是根据Laplacian矩阵的特征值确定K；另一种是构建新评价指标，通过搜索确定K。数值实验结果显示：基于位置积分变换和NMF的函数型聚类算法有效，对函数结构要求宽松，但需限制函数取值为正；NMF的秩可通过cophenetic相关系数确定，建议取较小的值，以剔除类的冗余特征。在确定谱聚类的聚类个数K时，建议对降维后的数据进行标准化处理，以缩小样本间的距离变化范围；聚类个数变点图直观有效，再结合特征值差分法确定K很有参考价值，建议阈值取[0.05,0.08]；根据吻合度与相似比确定K的方法有效且简单易懂。