在现实生活和网络世界里,每时每刻都会产生数量庞大、种类丰富的图像数据,给这些图像标注分类费时费力。因此,在机器学习领域,针对无标签图像的聚类分析是一个研究难点和热点。由于图像本身特征维度很高,对于图像聚类分析而言,图像特征的提取和高维特征的降维对聚类结果有重要影响。虽然人们已经提出了许多成熟的特征提取方法,但是这些方法关注的是图像的低层特征,很少同时关注图像的中间层特征。实际上,图像的中间层特征往往包含重要的判别性信息,可以起到丰富图像特征表达、提高聚类精度的作用。其中,语义特征作为一种中间层特征,便于理解表达,广泛应用于图像检索、自然语言处理等领域。因此,本文将语义特征引入图像聚类任务,通过图像低层特征和语义特征的有效结合,提高图像聚类的效果。由于图像的低层特征具有较高的维度,而且低层特征和语义特征的结合容易造成维度灾难,为了达到高效聚类的目的,既要实现两种特征的有效融合,又要降低图像的特征维度,因此,本文提出一种基于深度语义嵌入的聚类算法(Deep Semantic Embedded Cluster),该算法首先将图像的低层特征与语义特征进行拼接融合,然后利用特定结构的深度自编码实现语义特征的嵌入,并对图像特征进行降维,最终利用得到的低维特征实现图像高效聚类。在特征拼接融合方法的基础上,进一步改进提出一种加权叠加融合算法(Weighted Superposition Fusion Algorithm),这种方法能够明确的衡量两种特征对于聚类的贡献程度,以此来分配不同的权重值,从而提升聚类性能。在多个图像数据集上的实验结果表明,本文提出的融合语义特征的图像聚类效果更明显,比之前单一特征下的聚类精度提高了约三个百分点,说明通过融合语义特征可以有效提高图像聚类的性能指标。