在信息化作战的条件下,各类传感器收集的战场信息往往受限于复杂的地理、气象、水文和电磁环境而呈现高维度、高度稀疏和带有大量噪声的特点,如何正确运用人工智能方法分析这些数据内部的本质关系和内在信息非常重要。在这项研究中,我们以自然界中的一种天然的高维稀疏带噪声的数据——单细胞RNA测序数据为切入点,研究一类能面向该类数据做到准确分析的通用算法。单细胞RNA测序（scRNA-seq）聚类对于识别细胞类型至关重要,可以潜在地用于了解更高级的生物学过程。近年来,自动编码器已成功应用于scRNA-seq聚类问题,并取得了可喜的成果。与大多数现有的专注于建模数据稀疏性的工作相反,我们认为自动编码器的中间隐含层的数据特征实际上完成了聚类过程,而直接利用它进行聚类可能不是最佳的。在本文中,我们提出了一种新颖的框架,称为对抗自动编码器scRNA-seq聚类（AAE-SC）,以对中间隐藏层特征带来额外的约束。具体来说,AAE-SC在中间隐藏层上添加了一个AAE模块,并约束隐藏层特征分布使其与标准正态分布对齐。之后,将AAE和自动编码器中的重建模块进行联合优化,以生成具有高度判别力和一致性的特征,并将其进一步用于聚类。在多个数据集上的实验结果表明,我们所提出的AAE-SC框架比现在最先进的算法具有更高的性能。同时鉴定细胞类型对于单细胞RNA测序（scRNA-seq）分析工作的意义也非常重要,并可潜在地用于了解高级生物学过程。基于神经网络的监督模型最近已成功应用于scRNA-seq细胞类型分类问题,并取得了可喜的成果。尽管大多数现有算法直接使用原始数据或转换后的数据,但我们认为原始数据过于稀疏和高维,而提取其有效的低维特征可以更好地训练下游分类器,从而提高细胞类型分类的性能。在本文中,我们提出了一个新颖的框架,称为基于深度计数自动编码器的分类器（DCA-CLA）,以利用可区分的低维特征进行分类。具体来说,DCA-CLA首先对原始计数矩阵进行去噪,然后使用深度计数自动编码器模块从隐藏层中提取数据特征,然后将这些低维特征输入分类器网络以训练可学习的参数并测试性能。在八个单独的数据集和四对跨平台数据集上的实验结果表明,所提出的DCA-CLA框架性能与最先进的框架相比具有优势。