作为一种应用广泛的非监督学习任务,聚类任务一直是热点研究问题。传统方法已经取得了不错的成绩,然而其在面对大规模高维数据时却力有不足。受到深度学习在分类问题中取得显著成绩的启发,基于深度神经网络的聚类算法不断被提出,也取得了不错的成效。然而,目前的深度聚类算法仍不能做到既关注到特征的簇内簇间距离,又能够进行端到端训练和推理,并不能完全发挥出深度聚类算法应有的聚类效果。针对上述问题,本文提出了两种基于边缘距离约束的深度聚类算法:基于欧式距离度量的强区分性深度聚类算法和基于余弦距离度量的强区分性深度聚类算法。实验结果表明,两种方法在大规模高维数据的聚类问题中均能取得不错的效果,并且是单步骤的端到端算法。针对现有的深度聚类算法难以学习到簇间差异性较大的特征表示这一问题,本文首先提出了基于欧式距离度量的强区分性深度聚类算法。该方法通过增大不同簇的特征表示之间的欧式距离来提高簇间的差异性。具体而言,如果两个数据属于不同的簇,就增大其特征之间的欧式距离,令其大于一个距离约束因子。此外,考虑到中间聚类结果的不可靠性,将中间概率作为权重系数,以关注具有高置信度的数据。针对上述算法存在依赖数据挖掘策略和增加计算量的问题,本文又提出了基于余弦距离度量的强区分性深度聚类算法。该方法旨在通过将同簇数据之间的余弦角度值限定在某个值之上来提高簇内紧凑性。具体而言,如果中间预测结果判定样本属于某个簇,就将其与该簇的参数向量之间的余弦值增大到某个阈值之上。该算法能够使样本的特征表示与其参数向量之间的角度更小,从而使得同一个簇的样本的特征表示之间更加紧凑。同样,考虑到中间聚类结果的不可靠性,我们将中间概率作为权重系数,迫使算法更加关注具有高置信度的数据。该方法不需要对数据进行两两计算,降低了计算量的同时也减少了对数据挖掘策略的依赖性。本文将所提出的两种算法与现有的聚类算法在多个数据集上进行了实验对比,并使用ACC和NMI等多种度量评估标准进行评估。实验表明,两种算法在面对大规模高维数据时,都能取得较好的成绩。此外,使用可视化算法将学到的特征表示降到的维空间后发现,数据的簇间距离明显,学到的特征具有很强的区分性。