聚类分析技术作为数据挖掘领域的一个重要分支,逐渐成为研究的热点并被广泛应用于模式识别、图像处理、生物信息分析等领域,其核心思想可以概括为将一组数据集中的所有数据按照它们之间的相似度划分为不同的类别或者簇的过程。然而,当今社会中,充斥着大量的高维数据,如图像、多媒体、文本以及生物信息数据等。由于“维数灾难”的影响,使传统聚类算法遇到了瓶颈,效果大打折扣。子空间聚类算法作为解决高维数据聚类问题的一种思路,吸引了众多学者及研究人员的广泛关注。其中基于谱聚类的稀疏子空间聚类算法凭借其出色的性能成为目前的研究热点。论文的主要工作如下:1.针对稀疏子空间聚只能反映样本间的局部信息,而没有充分考虑样本集的全局信息和邻域信息这一缺点,本文在已有的稀疏表示基础上,结合一种基于共享近邻的相似度计算方式,改进稀疏子空间算法构建相似度矩阵的方式,使得改进的算法更能充分利用数据的全局和局部信息。2.针对传统稀疏子空间聚类只能表示样本间的线性关系这一局限性,本文结合了深度自动编码器进行稀疏表示学习,并在此基础上添加了“自表示层”,使得该算法能够挖掘样本间复杂结构关系,在该稀疏表示方式的基础上提出了相应的深度稀疏子空间聚类算法。3.在人脸识别和运动序列分割两种应用场景下,本文选取了几组不同的高维数据集进行实验,与几种经典的稀疏子空间聚类的结果对比显示本文提出的算法能够有效的提高聚类结果。