1.一种基于局部学习正则化的深度矩阵分解方法，其特征在于，所述分解方法中包括：S10根据待聚类图片获取数据矩阵Y；

S20基于所述数据矩阵Y构建目标函数：

其中，Y＝[y1,y2,…,yN]，其中，Yj＝yj,j＝1,2,…,N，j表示对数据矩阵Y观测的次数，N表示对数据矩阵Y观测的总次数；m为数据矩阵Y的维度； 表示不限制内部正负的基矩阵，其中，i＝1,2,…,m，对应重建的层数；Mm表示第m层基矩阵 对应的系数；D＝(Q-E)(Q-E)，Q表示数据矩阵Y对应图片的最邻近图，且Q＝(V,E)，V＝X，E是一个X×X子集；

S30根据目标函数C**，使用迭代加权的方法，输出基矩阵Ni和系数矩阵Mi，完成对数据矩阵Y的分解。

2.如权利要求1所述的深度矩阵分解方法，其特征在于，在步骤S30中包括，目标函数C**对基矩阵Ni求偏导，得到基矩阵Ni的更新迭代式：其中，ψ＝N1...Ni-1，代表Moore-Penrose伪逆， 代表对第i层的重建。

3.如权利要求2所述的深度矩阵分解方法，其特征在于，在步骤S30中还包括，根据数据矩阵Y中m层的数据分解过程，得到系数矩阵Mi的更新迭代式：其中，[M]pos表示矩阵中所有负元素都被0替换，[M]neg表示矩阵中所有正元素都被0替换。

4.一种图像聚类方法，其特征在于，所述图像聚类方法中包括：S1从图像库中提取出m个图像，并构造Q个最邻近图；

S2采用如权利要求1-3任意一项所述的深度矩阵分解方法得到系数矩阵Mi；

S3利用k-means算法对系数矩阵Mi进行分析，完成图像聚类。