有监督的深度神经网络模型在很多机器学习任务中拥有很好的表现,例如计算机视觉领域中的图像分类以及分割,自然语言处理领域的预训练语言模型、问答系统、情感分析。然而在对复杂数据进行处理时经常会遇到数据维度过大的问题,已有的一些深度模型虽然能够对复杂的图像或文本数据进行特征提取,从而获得低维的特征表示,但是却无法确保其提取的低维特征是对于其要解决的下游任务有用的语义信息。除了维度问题,传统的有监督的深度学习方法还面临着标注数据不足的问题。现实世界的数据有些标注代价过高,例如医学影像数据需要具有丰富临床经验的专业人士进行标注,其昂贵的标注代价限制了得医学影像分析的模型构建。自监督学习通过构造辅助任务可获得对下游任务相关的语义信息而无需额外的专业人士进行人工标注,其在计算机视觉,自然语言处理等领域均有很好的表现,是近年来AI领域热点。聚类分析是一种处理无标注数据的常用手段,其通过分析数据内在的分布结构对数据进行自然划分。然而受到数据维度的限制,其在处理高维度的复杂数据时,往往无法较好地对数据进行划分,因为数据维度过高,在原始数据空间中难以通过聚类中所用距离进行归类。图像合成问题也是一个重要的研究领域,特别是最近大热的GAN模型给这个领域带来了巨大的技术革新。然而现有生成模型往往需要其生成目标图像分布中的真实样本,而在一些领域难以获得真实图像。考虑到以上的问题,本文结合深度自动编码器和传统的软聚类算法,提出了无需标注的深度软聚类自监督模型。同时针对细胞成像问题,提出了一种基于自监督学习的合成图像模型。本文的主要贡献如下:（1）结合深度神经网络降维和软聚类,我们提出了一种基于自动编码器和软聚类结合的优化方法。我们使用自动编码器的编码器部分进行数据降维,对降维后的数据进行软分区聚类。使用软分配中的隶属度替换离散的硬分配对于同时优化整个网络的参数至关重要。它的结构也非常灵活。自编码器可以用其他网络结构代替,比如深度卷积神经网络,软聚类部分也可以使用多种基于隶属度的算法,比如FCM和MEC。当硬聚类与深度神经网络结合时,聚类中心和深度神经网络的参数不能同步更新。原因是硬分配是离散的,不能用梯度更新。我们的方法将聚类中心设置为变量,使其不再通过迭代更新,而是随深度神经网络的参数一起更新。该方法实现简单,可扩展性高。（2）针对细胞的信号合成图像问题,我们提出了一种基于自监督学习的图像合成方法,使其能使用一维的信号合成二维图像,且训练过成中无需Ground-truth图像,解决了传统的生成模型需要所生成图像真实分布中采样到的数据的问题。我们利用传统的图像调制方法设定了针对图像生成的自监督任务,使得网络能够学习到信号到图像映射的语义特征表示。我们将提出的方法应用到细胞图像合成的领域,实验结果表明我们的方法不仅能够从一维信号中还原出细节更丰富,噪声更少的细胞图像,而且算法耗时比传统的迭代的图象重构算法低很多。