随着信息技术的发展,人工智能逐渐受到广泛关注。作为人工智能领域的重要研究课题之一,机器学习中的无监督学习由于不需要标签先验作为指导,在一些难以人工标注的问题上能够取得较好的效果,具有一定的应用价值。本文介绍的聚类分析方法就属于无监督学习范畴,该类方法基于数据集内部的相似关系对样本进行划分,不需要提供标签先验作为指导。早期聚类方法虽然在低维数据上具有很好的聚类效果,但是在处理高维数据时由于维数灾难问题表现不佳,而深度网络能够对高维数据做更好的非线性拟合,所以基于深度学习的聚类方法是近年来的研究热点。基于深度学习的聚类方法,通常依据相似性度量进行聚类。现有深度聚类方法多在相似性度量模块采用局部约束,可以使簇内点相似性得到准确度量,但对簇边缘点的类别属性判别不够准确,从而导致特征空间中簇边缘不清晰;另外一方面,目前基于深度模型的聚类方法需要较高的计算复杂度,对于大规模数据集而言,采用浅层网络无法学习到良好的特征表示,会导致聚类效果不佳,而采用ResNet-50等网络层数较深的模型训练时需要更大的存储空间和更高的计算能力,并且训练时间更长。本文针对以上两个问题提出了两种改进方法:（1）针对特征空间中簇边缘不清晰的情况,本文提出一种基于变分自编码器的对比聚类方法。为了得到样本间的约束信息,首先通过图片随机水平偏移、图片随机竖直偏移和零相位成分分析白化对数据进行增强,获取自监督信息;接着利用局部相似性结构保持和对比学习模块对特征进行约束,既可以得到准确的簇内局部相似性,也可以借用对比学习获得判别性特征;对特征进行距离度量获得每个类中样本的隶属度,进一步对代表不同类的隶属度向量进行约束,改善簇边缘样本点隶属度不清晰的问题;此外,在图像和其特征之间引入互信息度量,进一步提高特征表示的准确性,减少信息丢失。（2）由于基于变分自编码器的对比聚类方法采用浅层网络提取特征,在大规模复杂数据集上表现不佳,若将网络换为层数更深的ResNet-50,虽然网络提特征的能力增强,但由于数据增强的存在,输入为双输入,算法存在占用内存大,计算复杂度高的问题,因此本文提出了基于教师-学生网络细化特征的聚类方法。该方法采用经过预训练的大模型作为教师网络,对输入的数据集提取更准确的特征表示,并将特征映射到原型向量,利用教师网络的表征能力来对学生网络进行训练,使得学生网络能够拥有趋近于教师网络的表示学习能力;同时在学习过程中,对原型向量和样本特征进行编码约束,间接对比学生网络与教师网络提取的特征,增强两个特征的一致性,进一步提高样本类划分的准确性。实验结果表明,基于变分自编码器的对比聚类方法能够有效改善特征空间中簇边缘不清晰的问题,在Fashion-mnisttest数据集上,所提出方法的ACC,NMI和ARI分别比次优方法高出4.73%,7%和8.07%。;基于教师-学生网络细化特征的聚类方法能够有效提高在大规模数据集上的表示学习能力,从而提高聚类性能,在Cifar-10数据集上,所提出方法的ACC,NMI和ARI指标比次优的方法分别高出了 2.2%,2.7%,4.2%。