深度学习(DL)作为规模图像大数据的聚类与分类的一种有效工具,展现了其解决无监督和半监督条件下的聚类与分类算法表示问题的无限潜能。卷积神经网络如今被运用在许多先进的聚类分类算法中。然而,随着数字图像的不断增长,冗余的、无关的噪声样本也随之增多,从而导致了卷积神经网络的性能的逐渐下降。卷积神经网络需要大量的有类标的样本来训练网络。然而有类标的数据常常较难获得,价格昂贵且耗时。为了克服这个问题,我们该算法将卷积神经网络和模糊粗糙理论相结合提出了一种有效的针对规模图像大数据的无监督和半监督算法,这其中主要的概念是降低模糊和粗糙的不确定性,同时更特别的是利用神经网络从原始数据中去掉噪声样本。本文提出的算法如下:1.首先,我们提出一种无监督的聚类算法(FRCNN)。中心思想是利用多层卷积神经网络来学习高纬表达式,通过神经网络中的一个聚类层来初始化聚类中心。在训练过程中图像的聚类中心和表达式交替更新。FRCM用来在前向传播过程中更新聚类中心,同时利用基于随机梯度下降法的后向传播来更新神经网络权值。2.其次,本文构造了一种半监督模糊粗糙卷积神经网络(SSFRCNN),将模糊粗糙C均值聚类和卷积神经网络相结合,同时学习模型内外间的关系,从而获得最终的数据表示来进行分类,这种方法具有更好的分类性能。主要思想是利用模糊粗糙C均值聚类来减少模糊的不确定性,利用卷积神经网络来移除初始数据的噪声样本。在训练该半监督的SSFRCNN模型时,参与训练的数据大多数是无监督数据,只有少量监督数据。3.本文提出了一种2D约减算法,针对分类模型(卷积神经网络、集成学习等)进行数据预处理。中心思想即模型的预测性能高度依赖于数据的质量。2D约减主要涵盖两个方面:特征约减和噪声样本约减。特征约减指的是利用粗糙集方法来移除无关特征集。针对噪声样本约减,我们提出了一种粗糙K近邻噪声约减算法。基于K近邻框架下的粗糙集可以选择出被错分的噪声样本,在没有信息损失的前提下进行移除。为了展示本文提出的模型的性能,我们在大规模的通用数据集上同其他先进的有监督、无监督和半监督的图像聚类与分类算法进行了对比。全大量的实验表明,我们提出的方法具有较好出的性能。