随着网络的迅速发展,手机等电子设备的逐渐大众化,人们时刻不停的在和外部环境交换数据,由此产生的数据资源呈现爆发式增长。海量的数据资源中虽然蕴藏着诸多信息,但从中获得具有指导意义信息的难度也随之增加了许多。因此如何有效利用这些数据,从中准确、快速地分析提取出符合人们要求的信息成为符合时代要求的研究课题。聚类方法是数据挖掘领域中较为主要的基础之一,已经获得了广泛的研究。但在真实情况中,一般都能在海量数据中得到部分与之相关的先验信息。半监督聚类方法是在融合少量先验信息的基础上对传统聚类方法的改进。但是如何能够更加有效地利用这些先验信息,进一步提高聚类方法的性能,吸引了研究者的广泛关注。本文基于深度学习技术,提出了两种半监督聚类算法,有效地提升了聚类方法的性能。（1）提出了基于标签自适应策略的半监督深度聚类算法。算法首先使用深度编码网络实现数据由原始空间到特征空间的映射,克服“维度灾难”问题的同时学习有益于聚类分配的特征表示。接着设计了一种标签自适应策略来解决聚类分配标签和样本实际标签不一致的问题。该策略能够利用标签信息指导簇心的优化调整,从而达到提升聚类性能的目的。（2）提出了基于成对预测的半监督深度聚类算法。首先通过对生成对抗网络进行反向映射,获得能够拟合数据真实分布的潜在特征空间。接着基于已知的成对约束信息,通过双网络模型完成对数据集中无标记样本对的关系预测,得到数据集中全部样本对的约束关系,并在此基础上完成聚类任务。本文在公开数据集上进行了充分的实验,并选择几种目前半监督聚类领域中较为典型的算法进行对比。实验结果证明本文算法较其他对比算法取得了更优的性能表现,具有一定的研究和应用价值。