多模态聚类的目的是通过挖掘并融合多个模态的一致性和互补性信息来完成数据分组,已经引发了多方面多角度的探索。例如引入神经网络解决了数据特征提取的问题和使用成对约束或自监督学习等方法来指导多模态聚类。与此同时,针对多模态数据中部分实例缺失的情况,不完全多模态聚类的课题也被广泛研究,得到快速发展。尽管多模态聚类研究已经取得很大的突破,但仍存在一些问题有待解决。本文从三个角度入手,对深度多模态聚类进行研究。一是针对特征提取过程中忽略模态唯一性特征辅助共性特征提取的问题,采用同时提取模态共性和唯一性特征并通过交叉重构的方法,达到了优化模态共性特征的效果。二是针对成对约束的采集会导致资源消耗的问题,通过利用多模态数据之间的一致性信息收集成对约束和设计约束传播网络来优化约束传播过程的方法,达到了提升聚类性能的效果。三是针对不完全多模态聚类研究未尝试挖掘数据的分布特征来把握数据整体信息的问题,在假设数据属于高斯分布的前提下,采用变分自编码器提取数据分布和利用分布特性自然地完成模态融合的方法,达到了提升聚类性能的效果。本文的主要贡献为:（1）基于深度共性与唯一性知识挖掘多模态聚类算法。首先,使用自编码器提取每一个模态数据的模态共性知识和模态唯一性知识。其次,利用交叉重构建立模态之间的潜在联系,包括最小化各模态共性知识的一致性和最大化各模态唯一性知识的差异性。最后,完成模态共性特征的融合操作。实验结果表明,算法提升了聚类效果。（2）基于自监督学习的深度多模态谱聚类。首先,使用自编码器和融合网络提取多模态融合特征以及通过Cholesky分解得到融合特征的正交表示用于构建正交融合特征的亲和矩阵。其次,利用多模态数据之间具有一致性特性筛选出高可信的成对约束。进一步地,将成对约束通过成对约束传播网络进行传播扩散。最后,使用扩散后的成对约束优化正交融合特征的亲和矩阵。实验结果表明,算法提升了聚类性能。（3）基于概率分布特性的深度不完全多模态聚类。首先使用变分自编码器学习模态的均值和方差等概率分布信息。其次,利用高斯分布的特性,结合不完全多模态数据的结构特征,有选择地计算多个高斯分布乘积自然整合不同模态的概率分布,完成模态特征融合。进一步地,通过重参数的方法完成融合概率分布的采样工作。最后,引入聚类层获取聚类结果。实验结果表明,该算法提升了聚类效果。