随着大数据时代的来临,人们需要对大量高维的数据进行处理。聚类作为一种无监督的机器学习方法,不管在生产实践还是理论研究的层面上都有重要的意义。对于聚类的研究已经发展了很长一段的时间,但早期提出的传统的聚类方法在应对海量高维数据时,其性能会受制于“维数灾难”的影响。针对高维数据所具有的特性,子空间聚类的思想应运而生。子空间聚类通过为高维数据探索若干个低维的线性子空间来避免“维数灾难”的影响,并针对数据特征可能是非线性的情况,提出了基于非线性方法的子空间聚类。近年来,深度学习技术因其强大的自适应特征提取能力而被广为应用于各种机器学习任务中,子空间聚类与深度学习框架的结合产生了许多有效的深度子空间聚类方法。深度子空间聚类在无监督聚类任务中取得了显著的性能。在此基础上,进一步地引入自监督方法来学习有鉴别能力的数据表示,可以提高聚类性能。尽管引入自监督学习机制的深度子空间聚类在聚类性能上有了显著的提高,但此类模型的学习效果在很大程度上依赖于当前聚类结果所提供的伪标签质量,当大量样本被分配到错误的伪标签时,不可避免地会降低模型聚类的性能。为了解决这一问题,本文提出了一种鲁棒的自监督深度子空间聚类方法,使得模型在训练中能够挖掘并利用可靠的自监督信息进行训练。具体来说,我们首先提出了一个基于图随机游走的扩散过程步骤来改善自表达矩阵的准确性,从而获得更准确的聚类结果（伪标签）。更重要的是,我们提出了一种离群值检测方法,来识别聚类结果中每个簇内部不正确的分配（伪标签）,在网络训练过程中可以进一步缓解不可靠的自监督信息的影响。在几个基准数据集上的实验研究,验证了我们的方法在网络训练过程中发现并利用可靠的自监督信息方面的有效性。