在目標域可利用數據匱乏的場景下，傳統聚類算法的性能往往會下降，在該場景下，通過抽取源域中的有用知識用于指導目標域學習以得到更為合適的類別信息和聚類性能，是一種有效的學習策略．借此提出一種基于近鄰傳播的遷移聚類（transfer affinity propagation，簡稱TAP）算法，在源域和目標域數據分布相似的情況下，通過引入遷移學習機制來改善近鄰傳播聚類（affinity propagation，簡稱AP）算法在數據匱乏場景下的聚類性能，為保證遷移的有效性，TAP在綜合考慮源域和目標域的統計特性及幾何特征的基礎上改進AP算法中的消息傳遞機制使其具備遷移能力，從而達到輔助目標域學習的目的．此外，通過TAP對應的因子圖，亦可說明TAP可以以類似AP的消息傳遞機制，在目標域數據匱乏的情況下進行高效的知識遷移，為最終所獲得的聚類結果提供了保證．在模擬數據集和真實數據集上的仿真實驗結果顯示，所提出的算法較之經典AP算法在處理非充分數據聚類任務時具有更佳的性能．