1.一种基于深度矩阵的约束概念分解聚类方法，其特征在于，所述聚类方法中包括：S10获取m个待聚类图像，并根据待聚类图像构造k个最邻近图；

S20针对每个最邻近图得到相应的数据矩阵X，所述数据矩阵X中包括n个数据点，并使用非负矩阵分解方法对数据矩阵X进行分解得到特征矩阵W；

S30对数据矩阵X中的p个数据点进行标记；

S40基于特征矩阵W及标记数据点，建立约束概念分解的目标函数σ；

其中，H1,...,Hk表示深度分解不同属性层次对应的属性因子，Hi表示深度分解的第i层属性层，1≤i≤k；A为根据数据矩阵X中的标记数据点和未标记数据点构建的约束矩阵；W＝AF为数据矩阵X的特征矩阵，F为辅助矩阵；

S50根据目标函数σ，使用迭代加权的方法迭代预设次数，得到数据矩阵X深度分解的每一层的特征矩阵Wi和权重矩阵Hi，1≤i≤k；

S60采用k‑means聚类算法分别对每个最近邻图所得到的特征矩阵进行分析并聚类；

待聚类图像为人脸图像，在聚类过程中，数据矩阵X表示来自不同对象的面部图像的集合，则根据数据矩阵X的三种不同属性以三种不同的方式进行分解：其中，H3对应于识别表达式的映射，H2H3对应于姿态的映射，H1H2H3对应于人脸图像的身份的映射；通过学习隐藏表示在每一层最适合每个属性的数据来定义 找到最好的特征来进行聚类； 为聚类原来图像的姿态， 为聚类面对图像的表达式。

2.如权利要求1所述的聚类方法，其特征在于，在步骤S20中，约束矩阵A具体为：其中，Up×u表示数据矩阵X中标记数据点矩阵，p表示标记点的数量，u表示标记类别；n‑p表示未标记数据点的数量，n表示数据矩阵X中数据点的数量，In‑p表示(n‑p)×(n‑p)的单位矩阵。

3.如权利要求1或2所述的聚类方法，其特征在于，在步骤S30中，权重矩阵Hi的更新规则为：

其中，ψ＝H1...Hi‑1， 表示第i层重建的特征矩阵；

特征矩阵Wi的更新规则为：

pos neg

其中，[M] 表示矩阵中所有负元素都被0替换，[M] 表示矩阵中所有正元素都被0替换。