聚类算法在数据挖掘中占有重要地位,并被广泛应用于医疗行业、金融行业、房地产行业等等,与我们的生活工作关联十分密切。在数据量较小维度较低的场景下,传统聚类算法能够表现出收敛速度快,结果精度高的优势。然而随着科学技术的发展,大数据时代中高维海量数据的出现,导致传统聚类算法计算量大大增加,难以取得较好的聚类效果。随着深度学习的发展,高度非线性转换的方式可以将数据处理成更有利于聚类的表示,于是与传统方法相结合的深度聚类算法引起大家的关注。深度聚类通过神经网络提取到数据的隐层特征,大大降低原始空间的维度,解决了传统聚类算法计算复杂度高的问题。但是现有的深度聚类算法很少考虑数据集之间的相关性,难以有效的划分数据点类别,对聚类精度提升十分有限。此外,由于神经网络参数量庞大,迭代过程容易过拟合,聚类精度提升容易达到上限。为了解决以上问题,本文在深度聚类中引入图嵌入先验约束的思想,提出了一系列改进算法。首先,本文借鉴图约束的思想,提出了一种新的图嵌入深度聚类算法,可以充分挖掘数据集近邻关系,从而完善局部结构信息。另外将图约束项直接惩罚聚类层隶属度,而并非传统方法施加在隐层表征空间,因此可以更加精准划分数据点的类别。实验结果验证了该方法的有效性。其次,由于图约束过度依赖近邻关系的先验知识,不同方式的亲和度矩阵构造会对聚类结果产生影响,为了减弱该项敏感性,本文提出了一种可动态调整亲和度参数的聚类算法,引入正则化熵项使亲和度矩阵由固定变成自适应调节,将邻居关系平滑处理,可以更好的发挥局部结构对全局聚类的作用。实验结果表明,引入正则化熵项的图嵌入深度聚类算法在聚类精度等指标上表现出来更优秀的性能。最后,考虑到前两种方法中,KL聚类过度依赖于t分布,对于不同类别的相近样本难以区分,即缺少抗干扰能力。因此在上述算法的基础上,本文增加判别器网络,使隶属度与随机生成的one-hot向量形成对抗关系,通过梯度下降寻求较优参数,最终得到更清晰可辨的样本类别。实验结果显示,判别器的引入突破了原始KL聚类的精度上限,进一步提高了聚类性能。综合上述成果,搭建并编写了基于自编码的图嵌入深度聚类软件,对海量高维图像数据进行数据挖掘,主要包括数据的加载与选择、算法与网络参数的设置、网络预训练、聚类算法运行、结果展示等功能。