现有的图像聚类方法以数据全局线性分布为前提,利用先验约束估计未标记数据点的低维子空间,并将其聚类到相应簇中,因此对非线性结构的数据处理存在一定缺陷。受启发于深度学习以其强大的非线性学习表征能力在众多应用中取得巨大成功,提出一种基于正则化约束自编码器的深度图像聚类算法。首先,在数据的稀疏表示中加入熵正则化约束,利用最大信息熵构造相似矩阵。图像的信息熵越大,用来对图像进行提取的特征就越多。然后将流形正则化信息与成对约束相结合,在自编码器中嵌入联合正则项进行训练,利用已知的半监督信息引导聚类过程。该方法一方面在学习数据的低维表示时同时保留数据的可重构性和局部流形结构的全局特征,另一方面将已知样本间的成对约束信息融入目标优化设计,使学习到的低维特征更具有判别性,这在一定程度上提高了算法的聚类效果。为了验证本文提出的图像聚类算法的性能,在4个数据集上对本文提出的算法和其它7种测试程序进行验证,并分析了正则项参数对深度图像聚类算法的影响。实验结果表明,本文提出的深度图像聚类算法与传统的图像聚类算法的聚类精度相比提高了约三个百分点,说明使用深度学习提取到的特征在某种程度上更加适合聚类;并与其它深度图像聚类算法的聚类精度相比约有一个百分比的提升,说明通过正则化约束自编码器进行特征提取可以较好地提高图像聚类的性能。该论文有图22幅,表13个,参考文献71篇。