分子电子学是对单分子/原子的电学特性进行研究的一门学科,目的是通过微观尺度上的电学表征手段来揭示单分子/原子所特有的化学及物理特性,从而为今后分子材料及分子器件的制备提供理论和技术支持。目前,在单分子电子学研究领域,针对单分子/原子电荷输运性质的研究广受关注,而研究该特性最为有效的技术是单分子裂结技术。由于微观尺度下单分子/原子裂结形成过程具有高度随机性,所以目前仍然主要采用基于大量裂结过程测量数据的统计分析方法来获取和表征单分子的电输运特性。为了克服统计分析方法不可避免的均值性,提升准确获取有效电输运特性信息的能力,亟需研究更为有效的单分子电输运数据分析方法。近年来,随着机器学习和深度神经网络技术的不断发展以及其在数据挖掘,模式识别、自然语言处理以及计算机视觉等领域都取得的良好应用效果,展现出了该技术在大数据分析方面强大的优势。为了突破传统单分子电输运数据分析方法获取信息相对有限,表征精度相对较差的问题,本论文在充分考虑电输运数据特点的基础上,通过融合深度学习的特征提取以及机器学习的聚类算法,提出了一种基于深度聚类的单分子电输运数据的分析方法,称为deep auto-encoder K-means(DAK)算法。本论文的主要研究内容及结果如下:(1)通过对单分子电输运数据特征的分析,设计了一种能够对单分子裂结数据进行逐条识别并区分出不同电输运性质的数据分析算法,即DAK算法。该算法使用了深度学习中的栈式自编码算法来进行数据特征提取,在此基础上,结合机器学习中K-means++聚类方法对数据特征进行聚类,从而自动实现对每一条电输运数据的分析和归类,极大提高了对单分子电输运特性的识别和表征能力。(2)通过对单分子电输运过程的合理假设,建立了单分子裂结过程的电输运特性仿真模型,并在此基础上模拟生成了同时包含四类不同事件的单分子电输运仿真数据,基于该数据验证了DAK算法的有效性,并通过与multi-parameters vector-based classification process(MPVC)算法进行比较,证明本文所提出的算法具有更好的聚类准确度。(3)成功地将DAK算法应用于不同单分子体系的电输运数据进行分析。其中包括两种不同事件的单组分分子体系,三种不同事件的多组分分子体系以及包含一个化学反应过程的分子体系。实验结果表明,DAK算法不仅能够准确识别出单分子裂结过程中出现的不同分子构型,同时可以通过时间切割实现化学反应动态过程的监测和化学反应动力学参数的表征。