如今,数据聚类是许多领域的基本问题,例如机器学习,模式识别,计算机视觉,数据压缩等,而图像聚类作为图像领域中的一项关键技术,有着很重要的研究价值和应用前景。随着人工智能技术的迅速发展,深度学习在图像等相关领域发挥着重要的作用,因此本文主要研究了无监督深度学习嵌入式聚类问题上的应用,提出了基于Sliced-Wasserstein距离的深度自编码嵌入式聚类算法;其次又提出了基于自监督Pretext task和噪声对比损失的深度嵌入式聚类算法。具体两种算法创新思路和主要工作如下:基于Sliced-Wasserstein距离的深度自编码嵌入式聚类算法。由于常规的自编码器无法约束隐变量特征空间导致聚类性能差,为此本文将Sliced-Wasserstein距离应用到聚类自编码网络框架中,不仅能够保持Wasserstein距离的优势,还能够通过Sliced-Wasserstein距离约束隐变量特征空间,在限定空间中利用软分配实施聚类,优化图像无监督嵌入式聚类的性能。在MNIST、Fashion MNIST以及USPS数据集上的实验结果显示,本文所提出的算法在无监督聚类精度(ACC)和标准化互信息(NMI)指标上都有提升,特别是相对于传统的聚类算法提升明显。基于自监督Pretext task和噪声对比损失的深度嵌入式聚类算法。由于无监督的聚类算法无法使用标签,很难保证自编码器能够将原始信息充分表达,因此,利用无监督Pretext task算法改进无监督语义信息获取,为目标任务上获得更好的特征泛化能力;重新设计了用于辅助聚类优化的噪声对比损失函数,进一步提升聚类的性能指标。在MNIST、Fashion MNIST以及USPS数据集上的实验结果显示,本文所提出的算法在聚类指标ACC和NMI上都有略有提升,聚类效果更明显。