传统聚类算法无法有效处理高维数据并且具有较高的计算复杂度,基于这两个问题提出了子空间聚类算法,但是子空间聚类算法在处理非线性数据上效果具有限制,尽管已经引入了内核技巧,但是并没有足够的理由确定内核相对应的隐式特征空间是适合子空间聚类的。由于深度学习的发展,基于深度神经网络的聚类方法由于具有很高的表示能力,能够有效进行特征处理,本文对深度子空间聚类算法进行了研究,具体研究内容如下:(1)研究了基于去噪自编码器的深度子空间聚类算法。我们引入去噪自编码器使学习到的表示更有鲁棒性,通过网络分层堆叠的非线性变换学习潜在空间,在潜在空间用自表示层学习用于子空间聚类的相似度矩阵,之后采用谱聚类完成聚类。所提出的方法由于非线性表示能力而具有更好的泛化性能,特别适用于具有显着相关性的高维数据的情况,实验结果证明,该模型对于子空间聚类具有有效性。(2)研究了一种改进的深度子空间聚类算法。该方法基于深度子空间聚类网络(DSC),并针对其特征损失过大从而影响聚类结果问题进行改进,有效改善特征提取问题。该模型在卷积自编码器的编码器与解码器部分分别加入完全连接层作为下采样层与上采样层,使之能进一步整合有效特征以及更有效地学习特征表示。我们在四个数据集上,对比了五种经典算法(包括基于去噪自编码器的深度子空间聚类算法),实验结果证明,提出的模型结构比较DSC模型取得了明显的进步,聚类效果也优于其他经典的无监督子空间聚类技术。本论文有图10幅,表4个,参考文献99篇。