随着下一代测序技术的发展,单细胞RNA测序（scRNA-seq）已成为揭示细胞间广泛异质性不可或缺的工具。聚类是揭示单细胞转录组谱的一项基本任务,也是受到广泛关注的关键计算问题。最近,针对scRNA-seq数据研究者们开发了许多聚类算法,其中包含一些结合数据降维和深度学习的聚类方法。然而,由于scRNA-seq数据低维潜在空间的特征表示不稳定,与降维相结合的深度学习聚类方法仍然不能产生稳健的聚类效果。并且计算模型往往受到现实的限制,如数值不稳定性、高维数和不可扩展性等。此外,积累的细胞数和高缺失给分析带来了巨大的计算挑战。为了解决这些问题和限制,本文提出了两个单细胞转录组测序数据集成聚类算法。本文在14个真实的scRNA-seq数据集上提供了四种特征选择方法和九种scRNA-seq聚类算法的系统和广泛的性能评估。在此基础上,提出了一种使用多种特征选择算法的scRNA-seq数据的集成共识聚类算法,称为scEFSC。具体而言,该算法采用几种无监督的特征选择以去除对scRNA-seq数据没有显著贡献的基因。然后,使用不同的scRNA-seq聚类算法,对多个无监督特征选择过滤后的数据进行聚类,之后使用基于加权的元聚类方法对聚类结果进行合并。最后,将scEFSC应用于14个真实的scRNA-seq数据集,实验结果表明,scEFSC在几个评估指标上优于其他scRNA-seq聚类算法。此外,通过进行差异基因表达分析、基因本体论富集和KEGG分析,验证了scEFSC的生物学可解释性。基于深度学习与降维,本文提出了基于双重去噪的scRNA-seq数据的二分图集成聚类算法,称为scBGEDA,以捕捉更有鉴别力的特征表示,从而对细胞群进行聚类。在scBGEDA中,提出了一个双去噪自动编码器结构,以建立输入和潜在表示之间的关系。它优化了一个双重重建损失函数,捕获单细胞RNA-seq数据的稳健特征表示,执行潜在表示的重建约束。此外,还设计了一种具有基于图的共识函数的二分图集成聚类算法,从而利用样本之间的关系,在学习到的潜在空间上实现最佳聚类结果。对来自不同测序平台的15个scRNA-seq数据集进行了多次对比实验。实验结果表明,scBGEDA在这些数据集上的表现优于其他最先进的方法。此外,采用标记基因检测分析和功能基因组分析作为后续的下游分析,为识别细胞类型和从不同角度描述scRNA-seq数据带来新的见解。