随着媒体时代的飞速发展,网络应用已经渗入到人们生活的各个角落,各门户网站、移动终端以及电商平台每天产生海量的媒体信息。网络技术的进步使得数据获取更加便捷,从而导致数据规模逐渐变大,复杂性不断变高。因此,现有的网络文本、图像和视频等数据往往呈现规模大、维度高等特点。数据的维度通常表示数据中包含属性的数量,一般具有不小于两个属性的数据称之为高维数据。数据的丰富属性和高维度对数据处理任务带来了诸多挑战即“维度灾难”。面对高维复杂的网络数据资源,传统简单的特征选择方法已经很难满足现有的高维数据挖掘任务,因此,基于深度学习的聚类分析作为一种有效新颖的方法已成为当前处理高维数据的热点。基于此,本文致力于缓解高维数据给聚类任务带来的瓶颈限制,从模型优化、特征增强表示以及多视角聚类方面展开研究,针对调研发现的困难挑战提出了相应的解决方案。本文的主要工作可以概括如下:针对深度学习的聚类方法容易陷入局部最优问题,提出了一种基于变分边界感知的嵌入聚类方法,该方法可以通过调节变分推断的变分推断证据下界来改进模型的优化目标从而提升模型的聚类性能。该方法结合了边界感知变分自动编码器和深度正则化聚类,因此可以同时学习特征表示和聚类。该方法采用深度神经网络替代相似度度量来拟合样本特征之间的差异,并直接预测样本的类别。针对注意力机制在深度聚类方法中出现的注意力“绕过”初始特征问题,提出了一种融入变分注意力的嵌入聚类方法,设计了两个独立的特征学习模块:变分注意力组件和底层特征学习组件来提高内在隐式特征表示学习能力。该方法采用了注意力和初始特征的分离式优化,并在样本的注意力和特征的融合空间进行样本类别预测,变分注意力机制同时兼顾了注意力特征和样本初始特征。针对深度聚类在多视角数据聚类任务上视角之间聚类结果对齐问题,提出了一种多元约束下多视角协同图聚类方法,该方法出于“求同存异”的原则,通过协同的方式保留了单个视角的内在特征的同时又互补了不同视角的差异信息,并提出了基于三重操作的操作来实现联合优化,通过单视角和融合视角的协同学习来增强特征表示,进而提高聚类方法的有效性。针对深度聚类在多视角数据任务上多视角特征融合及对齐问题,提出了一种权重感知的多视角对比图聚类方法,设计了一个基于对比学习的视角特征学习对齐机制。同时,采用了一个基于注意力网络的加权融合图模块,动态的捕捉不同视角的内容差异,进一步促进单视角和融合视角的相互增强,从而获得了更好的视角融合特征。