【摘要】深度学习已成为当前计算机研究领域不可或缺的重要方法，不仅适用于分类任务，还能学习聚类友好的特征表示以提高数据聚类性能。 然而，现有深度聚类算法受传统聚类算法的框架约束，难以获得最优聚类结果。 同时，无监督深度聚类易受低质量伪标签影响，导致聚类效果不佳。 本文提出一种新的自适应半监督深度聚类（ＡＳｅＤＣ）方法，该方法充分利用少量标记数据，在大量未标记数据中自适应地从高置信度数据中提取信息，以促进半监督聚类。 在手写数字识别（ＭＮＩＳＴ）数据集和 Ｆａｓｈｉｏｎ⁃ＭＮＩＳＴ 数据集上的对比实验表明，ＡＳｅＤＣ 方法在准确性和各种聚类评估指标（Ｃａｌｉｎｓｋｉ⁃Ｈａｒａｂａｚ 指数、轮廓系数和 Ｄａｖｉｅｓ⁃Ｂｏｕｌｄｉｎ 指数）方面均优于主流聚类算法［传统 Ｋ 均值（Ｋ－ｍｅａｎｓ）聚类算法、约束种子 Ｋ－ｍｅａｎｓ 聚类算法和无监督深度聚类算法］。