1.一种基于K-means和MMD的人脸图像深度聚类方法，包括以下步骤：(1)采用预训练的自动编码器提取人脸图像的特征信息；

(2)采用K-means聚类方法对特征信息进行聚类，并计算每张人脸图像对应的特征信息被划分至K个类簇的概率p和每个类簇中该特征信息应该被该类簇吸引的概率q；

(3)将概率p和概率q之间的MMD距离作为自动编码器中编码器部分的损失函数，并构建自动编码器的损失函数，对自动编码器进行训练，采用反向梯度传播算法优化自动编码器的模型参数；

(4)当loss函数趋于稳定时，将人脸图像再次输入步骤(3)训练得到的自动编码器中，并对自动编码器输出的特征信息再进行K-means聚类，重复步骤(2)和步骤(3)，直至满足终止条件时，停止循环，得到训练好的自动编码器；

(5)使用训练好的自动编码器提取待处理的人脸图像的特征信息，再使用K-means聚类方法对特征信息进行聚类，输出聚类结果。

2.如权利要求1所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，自动编码器包括编码器和解码器，其中，编码器包括依次连接的第一卷积层、池化层、第二卷积层、第三卷积层、第一全连接层以及第二全连接层；

解码器的结构与编码器对称，依次包括第一全连接层、第二全连接层，第三反卷积层、第二反卷积层、反池化层以及第一反卷积层；

预训练自动编码器时，损失函数L为：

其中，xi表示第i个人脸图像，f(xi)表示xi经过自动编码器后得到的输出。

3.如权利要求2所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，在获得预训练的自动编码器后，提取自动编码器的编码器，将人脸图像输入至提取的编码器中，经计算获得每张人脸图像的特征信息。

4.如权利要求1所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，步骤(2)的具体过程为：(2-1)采用K-means聚类方法对特征信息进行聚类，确定K个聚类中心；

(2-2)聚类中心确定后，对于每张人脸图像对应的特征信息，计算该特征信息被划分至K个类簇的概率p，具体计算公式为：其中，zi表示第i张图像经编码器得到的特征信息，cm表示第m个类簇的聚类中心，pim表示zi属于第m个类簇的概率；

(2-3)对于一张图片生成的特征信息，在确定其对应的概率p后，再针对概率p，计算每个类簇中该特征信息应该被该类簇吸引的概率q，具体计算公式为：其中，qim表示第i张图像的特征信息被第m个类簇吸引的概率，pi和qi都是根据聚类结果而对图像i的特征信息做出的一个概率分布，且qim是对pim在各个类簇中所占概率比例的一个期望概率。

5.如权利要求1所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，步骤(3)中，概率p和概率q之间的MMD距离的计算公式为：其中，i和j表示任意两张图像，pi、pj、qi、qj分别表示图像i和图像j经K-means计算后得到的不同概率分布，k(·)表示两个向量的核函数运算，指定k(pi,pj)代表向量pj与向量pi之间的欧氏距离，F表示映射集合。

6.如权利要求5所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，步骤(3)中，自动编码器的损失函数为：L′＝αMMD[F,p,q]+(1-α)L

其中，0＜α＜1是一个常数，L表示步骤(1)中，预训练自动编码器时的损失函数。

7.如权利要求6所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，设置α＝0.8。

8.如权利要求1所述的基于K-means和MMD的人脸图像深度聚类方法，其特征在于，步骤(4)中，当相邻两次K-means的聚类结果误差小于5％时，停止迭代。