作为聚类分析的一大分支,子空间聚类由于其在高维数据条件下表现出的优异性能引起了国内外的广泛关注。而深度学习和子空间聚类理论的结合,则让这种通过将高维数据映射至低维子空间,获取自表达矩阵以进行谱聚类的算法在速度和准确性上提升到一个新高度。然而,当前的深度子空间聚类算法在准确性上仍有进步空间,其局限于理论本身所带来对数据量的限制,导致信息量缺失,影响了算法的泛化性和鲁棒性;此外,其无法良好学习原始高维数据的分布,导致高维数据的低维分布无法保持与原始数据的一致性,聚类性能被特征表达能力所约束。针对上述问题,我们提出两种基于生成对抗网络（Generative Adversarial Network,GAN）的增强式深度子空间聚类网络——双重生成对抗深度子空间聚类网络（Deep Subspace Clustering via Dual Adversarial Generative Networks,DSC-DAG）与自监督生成对抗深度子空间聚类网络（Self-Supervised Deep Subspace Clustering with Adversarial Generative networks,S^2DSC-AG）:1)在DSC-DAG中,我们使用对抗训练来学习高维数据及低维子空间数据的分布,并由此将随机采样的噪声转化为高维合成数据,及再次转化的低维合成数据,利用联合优化的方式突破数据规模,同时引入子空间对抗学习,在子空间层面提炼表征;2)在S^2DSC-AG中,我们融合合成数据与真实数据,引入自监督信息学习,利用两种差异性矩阵进行协同优化,从而促使特征提取器获取区分度高的低维子空间;我们从理论和实验层面分析了这两种算法的内在联系,并证明其在原理和目标上存在等效性。我们在多个真实数据集上设计大量针对性实验,在准确率（ACC）、标准互信息（NMI）和纯度（PUR）等量化指标上两种方法均优于当前最优聚类算法,证明了我们的优化算法的有效性和泛化性;同时,多种可视化图像直观地证明了其可训练性,及提升聚类性能的可解释性。