随着信息技术日新月异的发展,数据的规模和维度都在不断增长,数据呈现出高维特性。聚类是数据分析最常用的一种手段,但是由于高维数据中存在大量无关属性、分布稀疏和计算复杂等原因,K-means等传统的聚类算法在高维数据上表现不理想。针对高维数据的聚类问题,子空间聚类算法是一种直观的解决方案,即将高维特征空间转化到低维特征空间进行聚类,可以用主成分分析(PCA)、稀疏子空间聚类算法(SSC)和低秩表示算法(LRR)等方法来实现。虽然这些子空间聚类也取得了不俗的效果,但是这些通过浅层模型学习的数据表示可能无法捕捉高维数据的复杂的潜在结构;其次需要整个数据作为字典来学习特征,难以处理大规模据集。深度学习由于其出色的特征学习能力和快速推理能力,被认为是解决这些问题的有效手段。针对上述的问题,本文研究了子空间聚类算法和自编码器,提出基于局部结构保留的级联子空间聚类算法(Improved Cascade Subspace Clustering Based on Local Structure Preservation ICSC)。ICSC算法通过最小化样本点在两种距离度量空间下分布的差异微调特征空间,为特征学习需要整个数据集作为字典的问题提供了一种研究思路;此外,ICSC利用解码器使得特征数据和原始数据保持了局部结构的一致性,能够捕捉高维数据的潜在结构。本文对ICSC算法进行相关实验,对其中一些参数进行了评估,找到一个使该算法性能最优的参数;最后将ICSC同其他聚类算法在多个数据集上进行了对比实验,并采用三种常用的聚类评价指标进行实验结果分析,结果表明了ICSC算法的有效性和优越性。