细胞是所有生命活动最基本的单位,它的结构与功能一直是科学家们的研究重点。每一个细胞都是独一无二的,它们在特定的位置上完成着特定的功能。之前大多数的基因测序都是针对于整块组织样本或细胞群,这样测量得出的平均基因表达量可能会掩盖细胞间的差异。为了更好地在细胞基因层面上进行研究,单细胞测序应运而生。单细胞测序可以通过仪器测量出每个细胞中每个基因的表达量,这样研究人员可以在单个细胞粒度上进行分析。由于目前技术的限制,单细胞RNA测序数据仍然存在很多问题,比如维度较高、误差较大、数据稀疏等,这些问题会对后续的分析造成一定影响。鉴于聚类是对单细胞数据集进行分析的重要方法,本文结合集成学习与自监督学习两种方法探索出准确度更高的单细胞聚类方法。本文提出一种基于集成学习的单细胞聚类方法。首先,本文首次把单细胞表达谱数据通过2D嵌入转换成为二维图像数据,随后构建一个无监督深度神经网络模型对数据降维后利用谱聚类完成聚类,接着使用集成学习综合几种单细胞聚类算法的结果生成聚类矩阵。之后,利用聚类矩阵的结果构建网络并对其进行社区发现得到结果。在多个单细胞数据集的实验结果表明基于集成学习的单细胞聚类方法在聚类性能指标ARI和NMI上都取得最高性能表现。通过集成学习融合多个单细胞聚类算法的结果可以在一定程度上提高聚类的性能,但是这种方法并没有考虑到有些细胞对在分类中是否稳定。为了进一步提高聚类效果,本文从聚类稳定性入手挑选出较为稳定的样本并作为带标签数据,而聚类稳定性较低的样本则作为无标签数据,然后构建一个自监督学习模型将得到的数据作为输入并完成特征的提取最后聚类。此外,为了清晰且直观地展示最终的聚类结果,本文将根据自监督网络提取的特征和聚类结果绘制出数据集对应的相似性热图并利用t-SNE方法对结果进行可视化。从最终的聚类性能指标ARI和NMI上看,基于自监督学习的单细胞聚类算法在之前方法的基础上有一定的提高,证明此算法的设计是合理且可行的。