社交网络、引文网络、蛋白质交互网络等网络应用在过去十年中不断涌现并备受关注。与传统的二维数据不同,网络数据自然地表示为图。网络中除了包含节点之间成对结构关系外,每个节点又拥有自己的属性。我们称这类数据为属性图,有效的分析属性图为用户提供了对数据背后的更深层次的理解,并且在解决社区检测、企业社交网络用户分组等方面表现出极大的普及。因此挖掘属性图有重要的学术意义和应用前景。属性图聚类旨在通过充分利用节点属性和图结构来将节点分为不同的簇。主要工作包括基于图节点属性、基于图结构、基于图卷积网络（Graph Convolutional Network,GCN）进行图表示学习。基于图节点特征和基于图结构的模型更多侧重于节点特征和拓扑结构的某一方面,缺乏融合节点特征和挖掘拓扑结构。基于GCN的模型通过结合相邻节点特征来构建图嵌入来更新节点表示,然而还存在着以下问题:（1）依赖于原始图结构,通过拓扑结构推断的相似性获取图嵌入,在训练过程中忽略了节点特征间相似性。（2）图嵌入学习主要使用非聚类驱动的损失,不能学习到友好的集群特性。本文围绕属性图聚类中图嵌入学习展开研究,主要工作和贡献如下:（1）提出了两种模型,基于特征和结构相似性的深度图嵌入网络模型（FSDGEN）、基于融合多模态自编码器的属性图聚类模型（MAEGC）模型解决属性图聚类问题。（2）为了有效地捕获特征空间底层信息,本文采用了一种特征图构造方法,它根据KNN获取特征间的相似性,构造特征图。通过设计的特征图自编码,方便节点特征在特征空间传播以提取特征信息。为了有效地利用高阶邻居信息,采用结构图注意网络来捕获结构信息。（3）首次将变分图自编码器与属性图聚类结合,这在一定程度上降低了聚类过程中对节点特征的强依赖性。与此同时,为了学习友好的聚类表示,采用双重自监督聚类和自监督聚类来引导图表示学习。（4）丰富的实验证明了我们的模型优于最先进的方法。