聚类分析是一种无监督学习方法,它使得同一个簇的内部对象具有高度相似性,不同簇间的对象具有低相似性。相较于有监督学习(分类)而言,聚类分析要困难得多。近年来,深度神经网络在图像分类、自然语言处理和语音识别等领域取得了巨大成功,其重要原因之一在于它能够自动提取出数据的多种层次特征。本文利用深度神经网络和弱监督信息—成对约束—来进行聚类。成对约束是指对象间的一种二元关系,即两个对象必须属于同一个簇(Must-Link),或者两个对象必须不属于同一个簇(Cannot-Link)。相较于类标签信息,这些成对约束更加容易获取。针对现有的约束聚类模型与深度聚类模型可能存在的不足,本文提出一种集成成对约束信息的深度聚类模型,该模型包括一个嵌入到聚类算法内的全连接神经网络。然后,对于给定的成对约束信息,我们用以训练全连接神经网络。最后利用该神经网络对样本对进行二元关系预测,再结合K-means算法获得聚类结果。理论上,现有的基于距离的聚类算法和大部分神经网络均可以在此模型基础上进行替换并进行应用。实验结果表明,该模型在多个数据集上均有不错的聚类效果,验证了该模型的有效性。本文主要工作包括:1)提出一个学习成对约束关系的深度二元分类器,利用输入的成对约束训练该二元分类器。同时设计实验验证深度二元分类器预测的成对约束是合理的,即大部分的预测成对约束与实际成对约束保持一致。2)提出一个集成成对约束的深度聚类模型。该模型利用上述深度二元分类器与K-means算法相结合进行聚类。同时通过实验验证模型的神经网络部分可以较好地预测样本与簇中心点间的关系,将样本点分配到合理的簇。3)将本文所提出的集成成对约束的深度聚类模型与现有的多种聚类算法(包括传统的聚类算法及已有的深度聚类算法)相比较,验证所提模型的有效性。