由于深度网络具有强大的表征学习能力,能很好地处理数据中的非线性特征,融合深度网络与聚类模型已经成为目前无监督学习的趋势。在这一背景下,研究者提出基于自我表达特性的深度子空间聚类方法（Deep Subspace Clustering Networks,DSC-Nets）,将自我表达特性嵌入到深度自编码网络（Deep Autoencoder）之中,结合深度学习和子空间聚类两者的优点,并表现出了优越的聚类性能。然而,DSC-Nets对自编码网络结构表现出一定的敏感性,其学习到的子空间性能受层数选择等因素制约。为此本文提出采用集成学习方法来融合多个深度子空间聚类网络生成的子空间以提升其最终聚类性能,取得了显著的效果。本文主要创新如下:首先,本文提出了深度子空间聚类的顺序集成方法（Sequential Ensemble of Deep Subspace Clustering,SeqEn-DSC）。SeqEn-DSC 利用了交替迭代训练和随机遮掩引入随机性,顺序地生成一组多样化的自我表达系数矩阵（Self-expression Coefficient Matrix）,进而得到相似度矩阵并依次集成。顺序集成方法无需存储大量的基聚类（Base clustering）,在生成之后将新的相似度矩阵直接加入到集成中,从而保持较小的内存消耗。基准数据集上的实验验证了顺序集成方法的聚类性能优于并行集成方法（Parallel Ensemble）和其它单个子空间聚类方法,同时对于不同网络结构能取得鲁棒的结果。进一步地,在SeqEn-DSC框架基础上,本文提出了深度子空间聚类的自集成学习框架（Self-ensemble of Deep Subspace Clustering,SelEn-DSC）,利用自集成学习来引导深度子空间聚类产生更加多样化的自我表达系数矩阵。与SeqEn-DSC 的顺序前向学习框架相比,SelEn-DSC 中加入了自集成模块来更新当前集成的相似度矩阵,同时反向指导自我表达模块学习,通过自集成模块的监督以及子空间聚类对自我表达层的约束来同时保证迭代过程中不断生成的新相似度矩阵的准确性与多样性。基准数据集上的实验表明该框架可以有效提升DSC-Nets和深度低秩子空间聚类（Deep Low-Rank Subspace Clustering,DLRSC）的性能,同时也优于现有的深度子空间聚类方法。