独立子空间分析(IndependentSubspaceAnalysis,ISA)具有非常有效的非线性特征提取能力,在人脸识别,图像分割,图像理解和图像聚类等方面得到广泛的应用。在这些实际应用中,关键在于提取数据的有效特征,现有许多提取特征的方式都较直接,很少利用到数据的原始结构信息。本文以独立子空间分析网络为基础,提出基于带数据稀疏先验信息的深度网络学习聚类算法,它将训练获得的数据先验子空间信息,作为独立子空间分析网络的输出约束,并用于聚类分析。本论文主要针对单层和多层子空间分析网络学习提出两种方法。本文将原始数据的结构信息引入到模型中,提出一种带稀疏先验的独立子空间分析(IndependentSubspaceAnalysiswithSparsityPrior,ISASP)网络。ISASP 网络将数据从输入空间非线性映射到特征空间,得到数据的特征向量,并且使该特征向量与原始数据具有相似的子空间结构。数据的特征向量被用于构建数据的关联矩阵(affinity matrix),然后使用谱聚类算法得到数据的聚类结果。ISASP利用数据的稀疏先验信息对网络输出进行约束,使得模型可以更偏向于给出数据的最优特征。本论文将模型在两个基准数据集上的聚类实验结果与其他算法进行对比来验证ISASP的性能。针对输入数据特征维度的变大,ISASP模型的效率会逐渐降低的问题,提出一种堆叠式的带稀疏先验的独立子空间分析(Stacked-ISASP)网络。该算法将输入数据进行切分,并分别输入到多个ISASP子单元中,从而降低网络的参数复杂度。本论文通过在CMU-PIE,ORL,COIL20和USPS这四个基准数据集的实验结果验证算法的性能。在聚类任务方面,本文介绍了几种常用的聚类算法,通过对这几种算法的学习,本文最后选用基于谱聚类的稀疏子空间聚类算法作为数据的最终划分处理方法。通过使用Stacked-ISASP模型的处理得到的数据本质特征,在4个数据集上分别进行5个评价指标的实验,证明了本文提出算法的有效性,在各个指标上都取得较好的成绩。特别地,在平均聚类准确度上,实验结果分别高达88.42%、86.35%、98.51%和98.69%。