在大数据中,数据的种类较多而价值密度和真实性较低。因此,低质性是大数据的显著特征。聚类是一类重要的数据分析方法,旨在划分数据空间内的对象,使划分结果类内相似而类间相异。随着数据规模、维度、模态的增加,传统聚类方法已不适应数据分析的需求,在低质数据上表现不如预期。因此,本文针对以上问题提出解决方案,研究两种面向低质数据的深度多模态特征聚类方法,有效提高聚类算法在低质高维多模态数据上的聚类效果。本文主要贡献如下:（1）提出基于多模态融合的高维数据高斯混合模型深度聚类方法。利用深度神经网络提取各模态独有特征,降低数据维度,浓缩数据信息,利用多模态融合网络融合各模态特征,获取融合模态特征,利用高斯混合模型进行特征聚类,迭代获得聚类结果。（2）提出基于清晰模型监督的多模态深度降噪非负矩阵分解聚类方法。为清晰数据添加噪声,迫使深度神经网络学习含噪数据隐藏的数据模式,利用清晰模型监督网络各层特征学习,利用非负矩阵分解学习具有可解释性的聚类特征,端到端地完成低质数据聚类任务。（3）在标准数据集上进行所提出的两种方法的验证实验。实验结果表明,两种方法均能捕获数据固有模式,获得较好聚类性能。其中,基于多模态融合的高维数据高斯混合模型深度聚类方法展现了对多模态数据的有效融合能力,基于清晰模型监督的多模态深度降噪非负矩阵分解聚类方法证明了清晰模型监督和非负矩阵分解对聚类效果的提升作用。综上所述,本文提出两种面向低质数据的深度多模态特征聚类方法,两者均有较好的聚类表现,能够有效完成低质数据聚类任务,为进一步的下游数据分析任务提供了坚实的基础。