聚类作为机器学习领域中最基本的无监督学习问题之一,其主要目标是将数据中类似数据点聚成同一集群。由于数据原始空间中含有各种冗余、复杂的结构,通常对一般数据进行聚类时,聚类算法很难从数据中分离出不同的簇,因此聚类效果并不明显。深度学习能够从复杂数据结构中自动提取抽象的、非线性的以及更有利于聚类的特征,从而提高算法性能,近些年来在各种应用领域大展身手。本文依赖深度神经网络的特征学习来补充聚类算法,以便捕获数据本身或其内部结构从而去更好的分离集群。首先,研究了深度神经网络、堆叠自动编码器和聚类分析的相关理论,分析比较了稀疏自动编码器、降噪自动编码器以及收缩自动编码器之间的区别,介绍了本文所研究的自组织映射网络和高斯混合模型两种聚类算法。其次,提出基于自组织映射网络的深度聚类算法,它采用堆叠自动编码器对原始数据进行特征学习,随后用自组织映射网络对特征数据进行无监督学习,使得特征空间的数据被聚类成不同数据簇并达到最大可分离。通过实验分析了降维模型中各参数对数据聚类准确率的影响,对比了降维前后图片数据的差异,比较了特征提取阶段中相关参数对数据聚类准确率的影响和不同算法之间聚类准确率的差异。最后,提出基于高斯混合模型的深度聚类算法,它结合堆叠自动编码器和高斯混合模型两种模型,对数据降维后的特征使用期望最大化算法来训练高斯混合模型并更新数据簇,使数据在特征空间中实现聚类。针对所提出的算法通过实验进行评估,分析了算法在不同数据集上的性能表现并比较了不同算法之间的聚类准确率的差异。通过实验的分析比较,所提出的深度聚类算法对高维和低维数据在聚类性能上有一定的提高,验证了所提出算法的有效性。通过特征学习的深度聚类算法表现出了更好的聚类效果,并在聚类过程中所花费的时间更少。