传统神经网络模型的训练需要大量有标签的数据,在大数据时代,获取标记数据费时费力,考虑到聚类算法可以得到数据的标签,能否将聚类与神经网络结合起来设计新的模型就是本文要探讨的内容。本文通过分析聚类的目标函数与神经网络的训练目标,发现两者优化目标相同,可以进行融合进而构造一个基于聚类的无监督神经网络模型。我们首先将无监督学习融合到神经网络中,完成了基于聚类的无监督神经网络模型的构建,并给出了这个框架的具体算法;然后,本文采用聚类集成算法对聚类的结果进行置信度筛选,过程中采用本文提出的统一度设计共识函数,优化此框架无监督学习的结果。为了进一步改进此框架,我们在模型中加入半监督信息,加入半监督信息主要通过两种方式实现,第一种使用半监督聚类算法替换普通聚类算法加入到框架中,第二种则是在聚类集成阶段采用半监督聚类算法设计共识函数。在文章最后我们使用标准数据集对提出的算法框架与相关算法进行对比实验,实验结果表明,与普通聚类算法相比,基于聚类的无监督神经网络模型具有很大的优势,后面采用将半监督信息加入到模型中得到的基于聚类的半监督神经网络模型能够得到更好的结果。由此可以看出,本文提出的模型效果是比较好的。