数据聚类能够从无标签的数据中获取数据的内在联系和规律,是数据分析的重要基础。k均值聚类算法,因其简单高效而被广泛应用于数据聚类问题。但传统的k均值聚类算法,聚类结果易受初始中心点选取的影响,同时,在处理不平衡数据集及线性不可分数据集的聚类问题时,传统k均值聚类算法的表现差强人意。本文首先在全局k均值算法及多原型聚类算法的基础上,提出了一种改进全局k均值的多原型聚类算法。其次,传统聚类算法在处理高维数据时往往面临维数灾的问题,而深度学习算法能够有效地捕捉高维数据的低维特征,因此,将聚类算法与深度学习相结合,本文提出了一种考虑初始聚类结构保持的深度嵌入聚类算法。最后,将所提出的深度嵌入聚类算法应用于金融产品的个性化推荐问题,实现金融产品的精准营销。本文的主要工作和创新点总结如下:（1）提出了一种改进全局k均值的多原型聚类算法（IGKM-MPC）。GKM算法虽然克服了k均值算法中聚类结果易受初始中心点选取的影响这一缺陷,但同时算法的全局寻优策略也使得该算法具有更高的时间复杂度。因此,本文提出了一种改进的全局k均值聚类算法IGKM（Improved Global K-means）,在保证聚类性能的同时具有更低的时间复杂度。此外,为解决线性不可分或不平衡数据集的聚类问题,将所提出的IGKM算法与多原型聚类算法结合,提出了一种基于IGKM的多原型聚类算法（Improved Global K-means based Multi-prototype Clustering,IGKM-MPC）,通过仿真实验,验证了IGKM算法和IGKM-MPC算法的有效性。（2）提出了一种考虑初始聚类结构保持的深度嵌入聚类算法。深度嵌入聚类（Deep Embedding Clustering,DEC）算法基于自编码器结构,同时进行特征学习和聚类,解决了传统聚类算法处理高维数据时面临维数灾的问题;但是该算法仅考虑聚类损失,训练时会破坏数据结构。因此,本文提出了考虑初始聚类结构保持的深度嵌入聚类算法。该算法引入初始聚类结构保持损失函数,综合考虑了聚类损失、重构损失和聚类结构保持损失。此外,为使该算法获得更优的初始聚类中心,将所提出的IGKM算法作为初始化方法。通过实验仿真,验证了提出算法的有效性和优越性。（3）将所提出的深度聚类算法用于银行金融产品的个性化推荐。首先,介绍了银行金融产品营销的问题背景;基于银行数据维度高、稀疏性强的特点,本文提出了考虑初始聚类结构的深度嵌入聚类与协同过滤相结合个性化推荐算法,该算法能够有效处理高维用户或商品数据。然后,通过在数值数据上的实验验证了算法的有效性。最后,将该算法用于真实的银行金融产品个性化推荐中。与基于k均值聚类算法的推荐结果相比,基于深度聚类的推荐算法取得了更优的推荐结果。本文提出的算法有效克服了传统聚类算法存在的结果不稳定、处理高维或线性不可分数据能力差等不足,仿真实验验证了所提算法的有效性和优越性。同时,所提算法在金融产品个性化推荐中的应用进一步体现了本文方法的应用价值,未来的研究中,将探索本文提出方法在客户画像、风险评估等领域的应用。