聚类分析是一种无监督的机器学习算法,在无标签的情况下对一组数据点进行聚类分组,分到同一组中的数据样本具有相似的特征,不同组的样本之间特征差异较大,其主要任务有关于距离函数的选择,最优聚类数（K值）的选择等。半监督聚类是利用半监督学习方式提升聚类模型效果的方法,它能够利用数据集的部分标签信息学习到更优的初始聚类中心、距离度量等重要影响因素。并且也能够监控聚类过程,不断迭代优化模型参数,以达到提高模型聚类效果,提高学习收敛速率等目的。深度嵌入聚类（DEC）算法是一种针对高维数据的无监督聚类方法,它在利用自动编码器生成的低维空间中进行聚类,并且以自定义的高置信目标分布为目标来进行学习,同时优化降维网络参数和初始聚类中心,完成聚类任务。本文针对降维空间是未知特征空间,无法确定各特征的不同量纲以及不同重要性的问题,首先提出了将基于熵权法的加权马氏距离应用于DEC算法中,改进了特征空间中的距离度量;同时给出基于加权马氏距离的间隔统计量（GS）方法来判断最佳聚类数,并以实证的方式证明其优越性和可行性。其次,在改进DEC算法的基础上,本文考虑半监督聚类方法利用部分标签信息,建立了新的目标函数学习DEC模型的最优权值参数估计,并使用基于半监督学习的参数初始化方法使得半监督DEC取得更好的聚类效果。对于半监督DEC算法,我们将其与原始DEC算法以及通过变更含有标签信息的数据的比例,在Toutiao、Reuters-10k、Mnist、Fashion-Mnist这四个数据集上进行了实证。实证表明,半监督DEC算法通过引入半监督标签信息从而训练得到更优的权重参数,从而学习更好的划分边界的方式是具有有效性以及可行性的。