随着大数据时代的到来,对数据处理的需求增大,子空间聚类的应用也就愈发广泛,包括在图像视频分割、离群点检测、人脸识别、显著性目标检测等领域的应用,这也对算法的进步提出更高的要求。现阶段的子空间聚类算法在深入挖掘算法对数据本身的鲁棒性方面比较欠缺,并且很少考虑去除数据本身的噪声以及修正不同程度损坏数据等从而提升算法的性能,因此,算法难以满足在实际场景中对复杂数据处理的需求。针对以上这些弊端,本论文借鉴了稀疏表示的知识以及当下流行的U-Net网络在去噪领域的优势,创新性的提出了基于深度学习的鲁棒子空间聚类算法,并进行了一系列改进。本论文的主要研究点和创新点具体如下所示:1、提出了一种基于深度学习的稀疏鲁棒子空间聚类算法。本论文考虑到数据中的噪声等干扰因子相对于数据本身是稀疏的,因此将传统的稀疏表示算法与深度学习算法进行融合,在总损失函数的设计方面进行优化,通过在重构损失中加入稀疏项也即是一个误差矩阵,这个矩阵相对于输入数据而言是稀疏的,因此可以通过范数对该稀疏项进行约束,以训练出一个对噪声、奇异点等更加鲁棒的子空间聚类网络,从而达到更好的聚类效果。该算法不仅提高了聚类的准确率,还在一定程度上提升了算法的鲁棒性,在处理不同的数据时都有着相对稳定的性能表现。2、还提出了一种基于U-Net的鲁棒子空间聚类算法。因为待聚类的实际场景数据一般都会含有各种扰动因素,而其中影响最大的是噪声的干扰,同时,近些年U-Net网络在数据去噪方面效果突出,因此本论文对其进行研究和借鉴,考虑在进行子空间聚类的时候,如果待聚类图片是较为干净的数据,也即是干扰因素比较少的图片,那么聚类效果肯定会有效提高。因此,从网络设计层面进行创新,提出了采用一条U-Net网络支路去学习图片中的噪声等干扰因子,采用另一条支路也即是本论文中的深度自编码器网络进行图片重构以及学习自表示矩阵,再在自表示矩阵的基础上对数据进行聚类,通过进行联合训练,得到一个对各种扰动因子比较鲁棒的网络,从而使子空间聚类的性能有很大的提升,鲁棒性也有着明显的增强。本论文算法的提出为传统算法与深度学习算法相结合去解决子空间聚类问题提供很好的思路和借鉴,也对该领域算法的革新有着极大的借鉴意义,同时,本论文所实现的聚类效果也是同一时期相对较优的。