异构迁移聚类可以在无监督的情况下将知识从相关的异构源域迁移到目标域。现有的工作通常需要使用大量的完整共现数据,这种数据通常是异构的,使用转换函数是实现将异构数据映射到公共潜在特征子空间的方法。然而,在许多实际应用中,收集大量的共现数据是不现实的,而现有的共现数据往往是不完整的。另一个常见的问题是,实际中异构数据的复杂结构可能导致聚类性能的大幅度下降。为了解决这些问题,本文从两个方面提出了无监督异构迁移学习方法。其一,挖掘数据的深层结构,学习高效低冗余的子空间特征;其二,提出泛化性强且有效的基于自编码的无监督异构迁移学习框架。这两种方式的主要研究成果和创新性工作如下:1.提出了一种针对有缺失共现数据的无监督异构迁移聚类方法。该方法在三个方面优于现有的方法。首先,充分利用源域和目标域的部分共现数据来学习潜在空间,最大限度地从有限的信息中提取有用的聚类知识。其次,它融合了多层隐藏表示,准确地保留了复杂数据的层次结构。第三,在新特征表示上使用近似正交约束,有效地刻画了冗余最小的潜在子空间。文中推导并实现了一种有效的算法来实现方法。并且,在真实数据集上的一系列实验表明,该方法与现有方法相比具有明显的优越性。2.将自编码应用到基于缺失共现数据的无监督异构迁移学习方法上。本文探索了基于多种自编码实现无监督异构迁移学习框架的有效性,并比较了具有多种约束方式的基于自编码的异构迁移方法的迁移性能。一系列基于真实数据集的实验证明了该框架的有效性与合理性,并且对比说明了目前存在的无监督异构迁移学习方法与基于自编码框架的异构迁移学习方法的差距。本文提出的两种无监督异构迁移学习方法,突破了目前存在的方法仅使用完整共现数据的限制,并通过充分利用缺失共现数据,从探索数据的深层结构和提高模型的稳定性两方面实现了无监督的异构迁移学习。