陶瓷文物在挖掘出土过程中,会产生大量碎片,很难被完整保存,因此陶瓷文物修复是其保护的一项重要内容。陶瓷修复过程大致包含碎片分类、碎片拼接以及孔洞修补等步骤,其中准确的碎片分类可提高修复效率,减少二次损伤。但现有陶瓷碎片分类方法的准确率和效率较低,其原因涉及两方面:1)碎片数量众多、标记困难;2)宏观陶瓷观察到的特征信息较少。针对上述问题,本文提出两种无监督深度学习方法对陶瓷碎片显微图像进行分类模型训练。具体研究进展包括:（1）建立陶瓷文物显微图像数据集及数据预处理。首先利用光学显微镜对陶瓷文物碎片进行数据采集,针对瓷器表面光滑导致采集到的显微图像存在反光、亮度不均匀问题,采用对比度增强操作对陶瓷显微图像进行预处理;其次针对数据集不足的问题,采用旋转、裁剪、灰度化等数据增强方法进行数据扩充,为分类网络提供一定实验数据。（2）针对陶瓷显微图像中存在类别不同但样式相同（例如色彩,纹理等）的问题,本文采用基于类别样式的深度网络作为主干网络对陶瓷显微图像进行分类,并加入注意力机制模块提升了网络对陶瓷显微图像微观特征提取能力。该网络将图像的样式信息从类别信息中分离出来,使得样式信息不影响分类结果。实验结果表明,采用类别样式与注意力机制结合的网络能有效对类别不同但样式相同的陶瓷显微图像进行分类。（3）针对陶瓷碎片公共数据集缺失,现有数据集规模小的问题,本文采用一种适合小数据集的对比学习算法框架,并改进特征提取网络模块,使得网络具有更大的感受野,提取更准确的显微特征。该网络使用数据本身作为标签,通过训练正样本对之间的相似度,负样本对之间的差异度来进行分类。实验结果表明,该方法可以在5000张陶瓷显微图像数据集上达到98.6%的分类准确率。