聚类主要针对没有标签的数据集,按照某种特定的标准将数据进行分组,是无监督学习中的重要算法之一。深度聚类通过将神经网络与聚类算法相结合,同时优化特征空间与聚类结果,极大地提升了算法性能,深度聚类算法主要解决的问题是如何学习到产生更优结果的区分性表示。对比学习可以学到更高维度、更本质的代表性特征,在表示学习中得到了广泛关注。由于对比学习的良好表现,出现了联合优化对比学习与深度聚类的算法,此类方法通常利用对比学习基本框架学习表示,基于该表示进行聚类。然而对比学习强调数据增强的重要性,通过使数据的不同增强在特征空间中尽可能一致对每个实例进行区分,而聚类目标是对实例进行分组。在将对比学习与深度聚类相结合时,若直接遵循对比学习的基本框架,会忽略聚类目标,此时学到的表示可能不是聚类的最佳表示,使得聚类性能受到限制。因此结合时需要考虑不同实例之间的相似性所构成的自然群组。本文针对以上问题,面向聚类中不同的数据关系提出两种算法,将对比学习与深度聚类相结合学习聚类友好型表示,以提升深度聚类的效果。主要研究内容包括以下两个方面:（1）基于自步学习的实例级别对比聚类算法。该算法引入自步学习的思想,通过由简到难的方式对数据进行聚类。算法共分为两阶段,第一阶段通过考虑数据与簇之间的关系,对容易区分的数据进行了初步聚类,在得到的潜在空间内易分数据分布在相应簇中心周围,以此获得成对相似性关系。第二阶段使用对比学习进行训练,过程中难分的样本逐渐易分,各个簇内样本更加紧凑,不同簇间样本远离。对比学习中正负例由第一阶段获得的成对相似性来构造,从而进行实例级对比学习。该算法在常用数据集上的实验结果与多个算法结果相比都有不同程度的提升,说明该算法可以获得更好的聚类效果。（2）基于图结构的实例-簇级别对比聚类算法。该算法通过考虑数据与数据间关系、簇与簇间关系来实现对比聚类,将常用的实例级别提升到簇级别。主要利用图结构来捕捉数据间的潜在关系,采用深度子空间聚类的基本思想,在自编码器中加入自表达层获取图结构,从中反应样本的邻域信息。通过得到的图结构来构造对比学习中的正负例,同时将特征矩阵的列作为数据的聚类预测,在列方向进行簇级别对比学习。在实例级别与簇级别都融合了潜在的类别信息,从两方面进行训练同时进行特征学习与簇分配。该算法在三个数据集上进行了实验,与多个先进的聚类算法进行对比,验证了该算法的可行性与有效性。本文提出两种深度聚类算法,通过考虑不同角度数据间的关系将对比学习更好地与深度聚类相结合,学习聚类友好型表示,以达到提升聚类效果的目的,具有重要的理论意义与实用价值。