无监督的特征学习是机器学习中一项基础的研究问题,其目标是从大量的无标注数据中学习数据有代表意义的特征表示。为了克服高维数据给数据分析任务带来的挑战,学习数据准确的低维特征表示成为了有效的预处理方案,它广泛应用于数据分类、可视化、以及模式识别等重要领域。过去几十年,无监督特征学习以其重要性受到了广泛的关注并取得了巨大的发展。然而,现有的特征学习方法仍然存在问题。具体表现为监督信息的缺乏导致特征学习方法通常仅能够使用数据自身的重构作为监督信息,这样的数据特征表示只包含数据的重建信息,缺乏数据所属类别的判别性信息。优秀的数据特征表示不仅应该包含该数据的本质信息,而且应该同时具有和不同类别数据明显区分的信息,具有数据重建和判别性两方面的完整信息。为了解决特征学习方法存在的问题,本文以聚类任务驱动的无监督深度网络特征学习方法为研究内容,以获取具有数据重建信息和判别性信息的数据特征表示为研究目标,提出了三种深度网络特征学习方法。本文的主要工作与创新点概述如下:（1）针对深度半非负矩阵分解方法（Deep Semi-NMF,DSN）学习数据重建信息不准确以及缺乏判别性信息的问题,受深度学习思想和聚类任务判别性方法的启发,提出相似性保持聚类驱动的非负特征学习方法（Discriminative Deep Semi-NMF network,DDSNnet）。该方法在继承数据特征具有可解释性的基础上不但能够避免每次矩阵分解产生的误差累积,而且还能够通过特殊选择的激活函数约束每层特征表示的非负性,保证最终的数据特征的准确表示。此外,该方法中的统一相似性度量能够使学习到的数据特征表示分布相对于原数据分布的特点尽量保持不变,同时融入相同类别特征分布更加紧密,不同类别特征分布更加分散的判别性信息。实验从聚类性能与可视化两方面验证了DDSNnet方法学习到的数据特征表示既具有准确的重建信息也具有良好的判别性信息。（2）针对自编码（Autoencoder,AE）网络缺乏判别性信息的问题,受谱聚类与深度聚类网络的启发,提出交叉熵聚类驱动的正交特征学习方法（Clustering with Orthogonal Auto Encoder,COAE）。该方法利用正交性正则项对AE网络的特征表示层施加正交约束,使学习到的数据特征表示在保持原有数据良好重建信息的基础上同时具有显著的判别性信息。为了弥补正则项方法约束能力有限的不足,COAE方法通过聚类任务与特征学习任务的联合优化实现对数据特征表示判别性约束的强化。该方法采用基于分类任务思想的统一优化框架使预测类别标签与辅助类别标签更具有确定性,实现具有确定性的预测类别标签对特征学习有效的指导,进一步将相同类别紧密聚集不同类别相互远离的判别性信息融入数据特征表示。实验从聚类性能与可视化两方面验证了数据特征表示既具有准确的重建信息也具有良好的判别性信息。（3）针对基于分类思想的统一优化框架中辅助标签设计与监督信息的鲁棒性不强的问题,受模糊聚类方法与互信息思想的启发,提出了模糊聚类驱动的互信息最大特征学习方法（Fuzzy clustering and extended Mutual information with Auto Encoder,FMAE）。该方法将聚类的预测标签作为权值,通过对特征空间下数据距离度量加权的方式实现聚类任务与特征学习的统一联合优化,不仅避免了辅助标签的设计问题,还融入了更加紧密聚集的判别性信息。此外,该方法中的带参数互信息能够将原始数据作为监督信息,进一步增强了预测类别标签作为判别性指导信息的鲁棒性。实验从聚类性能与可视化两方面验证了数据特征表示既具有准确的重建信息也具有良好的判别性信息。本文工作面向无监督的深度网络特征学习方法,基于聚类任务的思想,针对现有特征学习方法缺少判别性信息的问题,从现有方法的局限性出发,提出了新的特征学习方法,达到了提高数据特征表示质量的目的,使高质量的数据特征表示能够为其它数据分析任务提供有力的支持。