在互联网时代,每天都产生海量的数据,但是只有从这些数据中挖掘出知识才能发挥这些数据的价值。有监督算法只能用有标签数据训练,导致训练成本巨大,渐渐地难以满足当今时代的需求。然而,基于数据驱动的聚类算法由于使用无标签数据便能训练,降低了对样本数据的要求,近年来得到快速发展,并广泛应用于大数据处理、模式识别、医学诊断、图像聚类等领域。本文对无监督聚类算法展开深入研究,针对不同的数据类型,设计了基于数据驱动的特征提取模块、改进的密度峰值聚类算法以及使用基于数据驱动的特征提取模块的图像聚类算法。主要工作如下:针对传统聚类算法在图像数据上聚类效果差的缺点,设计了基于Resnet的特征提取模块。该特征提取模块使用数据增强方法来获取数据的伪标签,增加了样本的数量且提高模型的鲁棒性;然后,使用对比学习方法根据伪标签设计损失函数。该特征提取模块提取出图像特征后,便可以与一些聚类方法结合,实现对图像的聚类。在学习聚类算法后,设计了一种基于比较方法和K最近邻改进的密度峰聚类算法（CKNN-DPC）,降低了超参数选取的难度,提高了算法的精度。CKNN-DPC算法重新定义了局部密度,使算法更容易寻找稀疏分布的类和选择参数。CKNN-DPC算法定义了比较距离,使CKNN-DPC更容易找到正确的聚类中心。然后,CKNN-DPC采用新的两步分配策略,能够更准确地分配剩余数据点。最后实验结果表明,CKNNDPC算法在众多数据集上拥有优于其它聚类算法的实验结果。在图像聚类算法的基础上,设计了基于对比学习和K最近邻的无监督图像聚类算法（CLKNN）,有效提高了图像聚类算法的性能。首先,CLKNN使用双数据增强方法得到增强后的图像,为无监督语义提取提供数据。然后,CLKNN设计了双对比损失,在不同的特征空间里分别计算样本之间的相似性和类之间的相似性,大大提升了模型的表示学习能力。最后,CLKNN设计了K最近邻损失来实现对图像的聚类,K最近邻损失通过最大化每幅图像与其最近邻图像之间的相似性来优化模型。通过对比实验可知,CLKNN算法具有优于其它图像聚类算法的性能和效果。