无监督聚类是数据挖掘、机器学习和计算机视觉领域一项至关重要且极具挑战性的任务。深度无监督聚类方法启蒙于深度学习,近年来在商品推送、画像建模和图像处理等各种应用场景中取得了优异的性能表现,引起了学者们的广泛关注。然而,对于具有空间相关性结构的数据,例如图像数据,大多数深度无监督聚类方法未能有效地学习其鲁棒的面向聚类特征。并且,现有的深度无监督聚类方法通常局限于单网络结构设计,无法充分利用多种异构网络提取特征中蕴含的互补信息,制约了自身性能的进一步提升。针对以上问题,设计出新颖的深度无监督聚类方法,能够一定程度上改进聚类性能。本文的主要贡献如下:提出了一种深度卷积自步聚类（Deep Convolutional Self-Paced Clustering,DCSPC）方法。在预训练阶段,利用卷积自动编码器来提取包含空间相关性信息的高质量特征表示。在网络微调阶段,直接对学习到的特征施加聚类损失,联合优化特征表示和聚类分配,保留解码器以避免特征空间受聚类损失所扭曲。为了稳定整个网络的训练过程,进一步引入自步学习机制,在每轮迭代中选择最高置信度的样本。在七个公开图像数据集上进行综合实验,结果表明所提DCSPC方法相比于最先进的竞争对手聚类性能表现更优。提出了一种深度多网络嵌入聚类（Deep Multi-Network Embedded Clustering,DMNEC）方法。以端到端的方式预训练多个异构网络分支,获取各网络的初始化参数。在此基础上,定义多网络软分配,借助多网络辅助目标分布建立面向聚类的KL散度损失。与此同时,利用样本重建损失对预训练阶段的解码网络进行微调,以此保留数据的局部结构性质,避免特征空间发生扭曲。通过随机梯度下降与反向传播优化重建损失与聚类损失的加权和,联合学习多网络表征及其簇分配。在四个公开图像数据集上进行广泛实验,结果表明所提DMNEC方法具备优异的聚类性能表现。