1.一种基于低秩子空间一致性的图像聚类方法，其特征在于包括以下步骤：

A、构建BP神经网络，BP神经网络结构具体如下：

包括编码网络、自表达层、解码网络；编码网络包括三个依次连接的隐藏层，第一隐藏层设有五个依次连接的卷积层，第二、三隐藏层分别设有三个依次连接的卷积层；自表达层包括依次连接的隐藏层和输出层，隐藏层设有设有十个节点；解码网络包括三个依次连接的隐藏层，第一、二隐藏层分别设有三个依次连接的卷积层，第三隐藏层设有五个依次连接的卷积层；

在编码网络中：在第一隐藏层中，第一卷积层的输入响应为原始图像，其他卷积层的输入响应为该阶段上一卷积层的输出响应；在第二、三隐藏层中，除了该阶段中的第一卷积层的输入响应之外，该阶段中的其他卷积层的输入响应为上一卷积层的输出响应，在第一、二、三隐藏层中最后一个卷积层的输出响应，经过最大值池化后作为下一个阶段的第一卷积层的输入响应；

在自表达层层中：编码网络输出的各个结果分别经过权重C后输入隐藏层的各个节点中，在隐藏层的各个节点中分别加权累加后，分别输出至输出层中的各个节点中，在输出层的各个节点中加权累加后输出至解码网络中；输出层节点数与编码器的输出维数相同；

在解码网络中：在第一隐藏层中，第一卷积层的输入响应为自表达层的输出响应，其他卷积层的输入响应为该阶段上一卷积层的输出响应；在第二、三隐藏层中，除了该阶段中的第一卷积层的输入响应之外，该阶段中的其他卷积层的输入响应为上一卷积层的输出响应，在第一、二、三隐藏层中最后一个卷积层的输出响应，经过最大值池化后作为下一个阶段的第一卷积层的输入响应；

B、构建训练函数，利用训练函数对神经网络进行训练和验证，得到训练好的神经网络；

C、利用训练好的神经网络进行图像聚类处理，聚类过程如下：原始图像数据集先经过编码网络卷积处理，然后在自表达层中经过加权累加，最后经过解码网络卷积处理，即得最终聚类结果；

所述的编码网络和解码网络中各个卷积层的表达式均为m*n‑k conv+relu，其中，m*n表示卷积核的大小，k表示输出通道数，conv表示卷积公式，relu表示激活函数；m*n、k均为预设值；所述的最终融合层的卷积表达式为m*n‑k conv；

所述的编码网络中，第一隐藏层中各卷积层均为5*5卷积，通道数为5；第二隐藏层、第三隐藏层中各卷积层均为3*3卷积，通道数为3；

所述的编码网络中，第一隐藏层中，各卷积层的通道数均为5；第二隐藏层、第三隐藏层中各卷积层的通道数均为3；

所述的编码网络中，第一隐藏层、第二隐藏层中各卷积层均为3*3卷积，通道数为3；在第三隐藏层中各卷积层均为5*5卷积，通道数为5；

所述的编码网络中，第一隐藏层、第二隐藏层中各卷积层的通道数均为3；第三隐藏层中，各卷积层的通道数均为5；

所述的步骤B中，训练函数公式如下：

其中， 表示编码器的输出； 表示解码器输出处的重构信号；Θ表示网络参数，包括编码器参数Θe、自表达层权重参数C和解码器参数Θd；s.t.diag(C)＝0代表约束条件；

代表权重矩阵；α是权衡自表达和正则项之间重要性的一个可调权值参数，β和γ均为权值参数。