高光谱图像携带了丰富的光谱信息,在对地观测领域应用广泛,其高维特性和非线性结构为聚类任务带来了“维数灾难”和线性不可分问题,以往工作将特征提取过程与聚类过程互相分离,难以同时优化。为了解决上述问题,提取更加有效的深层特征,本文联合优化高光谱图像聚类任务的特征提取过程和聚类过程,提出了一种新的联合学习深度自编码器网络模糊C均值聚类方法(CDFCC)。首先,利用深度自编码器网络强大的降维和非线性变换能力将高光谱图像原始数据映射到潜在特征空间中,完成高光谱图像的光谱特征提取过程,深度自编码器网络通过最小化重构误差学习高光谱图像每个像素点的特征表示以达到保持局部结构的目的。其次,为了更好地对高光谱图像进行聚类,在深度自编码器网络的隐藏层上构造聚类算法,即使用模糊C均值聚类算法约束特征提取过程。最后,为了自适应学习适用于聚类算法的光谱特征,联合重构误差和聚类误差训练CDFCC算法模型,得到高光谱图像更加有效的深层光谱特征。CDFCC算法具有两个任务联合优化的优势,能够自适应地学习适用于聚类任务的高光谱图像深层光谱特征,并且可以动态调整聚类指示矩阵。实验部分使用Indian Pines、Pavia University、Salinas和Kennedy Space Center四个高光谱数据集验证CDFCC算法的有效性,CDFCC算法在四个数据集上的聚类精度分别达到了42.95%、60.59%、66.29%和62.64%。实验结果表明,CDFCC算法能够从高光谱图像的高维光谱信息中提取更加有效的深层特征,提升聚类精度,并且由于CDFCC算法不需要额外的训练过程,大大提升了聚类效率。该论文有图26幅,表11个,参考文献83篇。