الگوریتم های شبه ناظر به علت دقت پایین خوشه بندها و همچنین هزین? بالای طبقه بندها معرفی گردید. اینالگوریتم ها با استفاد? توام از داده های برچسب دار و بدون برچسب سعی می کنند دقت یادگیری را افزایش دهند. برای فرآهم آوردن سهولت بیشتر برای کاربر که منبع اصلی دریافت اطلاعات است، الگوریتم های شبه ناظر مقید ارائه گردید. این الگوریتم ها به جای استفاده از برچسب داده ها، از قیود متصل به آن ها در فرآیند یادگیری استفاده می کنند.در مطالعات بسیاری نشان داده شده است که اهمیت داده ها برای مقید شدن یکسان نمی باشد. به عبارت دیگر در صورتی که داده های مناسبی جهت مقید شدن انتخاب شود، می توان با تعداد قیود کمتر به دقت بیشتری دست یافت. در این پایان نامه به عنوان بند اول الگوریتم پیشنهادی، روشی جهت انتخاب داده های مناسب برای مقید شدن ارائه می گردد. از طرف دیگر معمولا مسائل دنیای واقعی دارای تعداد داده های بسیار زیادی هستند. با وجود این خصوصیت، الگوریتم های معمولی برای اجرا نیازمند هزین? محاسباتی و حافظ? زیادی خواهند بود. برای این گونه مسائل،الگوریتم های یادگیری برخط مورد استفاده قرار می گیرد. متاسفانه مطالعات کمی در مورد الگوریتم های خوشه بندی برخطی که بتوانند داده های مقید را خوشه کنند، صورت پذیرفته است. در این پایان نامه به عنوان بند دوم از الگوریتم پیشنهادی برآنیم تا با استفاده از شبکه های شبه ناظر خودسازمانده پویا به عنوان الگوریتم پایه، روش خوشه بندی ارائه نماییم که علاوه بر آنکه توانایی خوشه بندی داده ها را به صورت برخط داشته باشد، بتواند با استفاده از قیود متصل به داده ها، خوشه هایی متناسب با دانش دامنه ای مسئله ارائه نماید.برای ارزیابی کارایی، ابتدا الگوریتم پیشنهادی به صورت تحلیلی مورد بررسی قرار گرفته و حد بالای خطایی برای آن اثبات می گردد. سپس با کمک آزمایشاتی که بر روی مجموعه داده های مصنوعی، uci و همچنین مجموعه داده های مسئل? ترازبندی جملات انجام گرفته است، کارایی الگوریتم نمایش داده شده است.