单细胞转录组测序技术以单个细胞为分辨率测量基因表达值,为解析组织内部异质性提供了机遇。组织内部异质性的研究能够发现新的细胞类型,研究细胞复杂的分化和发育轨迹,并提高对人类肿瘤等疾病的理解。为了更加准确地解析组织内部的异质性,我们需要识别组织内部包含的细胞类型。面对单次实验产生的数千甚至数百万个细胞的测序数据,目前最主流的方法是通过对给定的单细胞转录组测序数据进行聚类来识别细胞类型。虽然已有很多学者提出了关于单细胞测序数据的聚类算法,但是一方面,面对大样本、高维、高稀疏性和无监督的单细胞转录组测序数据的聚类问题,传统的机器学习算法无法准确刻画从基因表达到细胞类型之间复杂的非线性映射关系;另一方面,现有算法主要是针对给定的单细胞测序数据去识别细胞类型,它们没有利用目前已经公开发表且已有可靠细胞类型注释的参考图谱来帮助目标数据集聚类。于是基于深度学习和迁移学习方法,我们提出了一种基于深度迁移学习的单细胞聚类算法。该算法一方面通过深度编码模型去挖掘细胞类型和基因表达之间复杂的非线性关系;另一方面通过迁移学习中的监督预训练思想,借助已有细胞类型注释的参考图谱来提高目标数据集的细胞类型识别精度。本文通过一组跨测序协议、跨实验室、跨物种且数据集大小和细胞类型复杂度均不同的五个胰岛组织数据集之间互相迁移的实验,覆盖了不同程度的批次差异情况下本文算法的预测效果,证明了本文的方法即使在目标数据集和参考图谱间存在较大的批次差异时,也能有效地防止负迁移。同时,本文算法通过与三种传统聚类算法和三种深度聚类算法在可视化效果以及聚类评估指标上的比较,验证了本文算法强于现有算法。