1.一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，包括步骤：S1.构建基于Sliced-Wasserstein距离的自编码网络模块；

S2.构建聚类模块；

S3.将所述构建的自编码网络模块和聚类模块进行联合，构建基于Sliced-

Wasserstein距离的自编码嵌入式聚类网络；

S4.初始化构建后的自编码嵌入式聚类网络的聚类中心，将无标签的数据集输入到网络进行迭代训练，并对自编码嵌入式聚类网络进行处理，当所述处理后的自编码嵌入式聚类网络达到预设阈值时，完成最终的聚类。

2.根据权利要求1所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述步骤S1中构建的自编码网络模块由编码器f(x；θf)和解码器g(z；θg)组成。

3.根据权利要求2所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述步骤S1还包括采用均方损失、L1范数损失、Sliced-Wasserstein的近似距离约束自编码网络的重构和映射至潜在特征空间的性能：其中，μ表示输入数据的分布；η表示自编码网络重构后的数据分布，pz表示数据在指定特征空间中编码后的分布；qz表示预先定义的采样分布；λ表示一个超参数；

若v∈Sd-1，Sd-1是概率空间Ωd中的单位球，其中v＝{v1,...,vN}代表选取的N个切片单元，(∏v)#η表示η的投影分布，Γ(η，μ)表示的是η和μ组合的所有联合分布的集合，自编码网络模块的优化约束条件为：

4.根据权利要求2所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述步骤S2中构建聚类模块包括构建聚类模块中的软分配、KL损失优化、软聚类损失优化。

5.根据权利要求4所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述构建聚类模块中的软分配具体为：其中，ρj表示质心；zi表示嵌入点；zi＝fθ(xi)∈Z对应于数据点xi∈X嵌入后的特征向量；Z表示数据提取特征后的低维空间；X表示数据的原始空间；α表示t分布的自由度；qij表示将样本i分配给聚类质心ρj的概率。

6.根据权利要求4所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述构建聚类模块中的KL损失优化具体为将目标函数定义为软分配qi和辅助分布之间pi的KL-divergence损失：其中，fj＝∑iqij表示软集群频率。

7.根据权利要求4所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述构建聚类模块中的软聚类损失优化具体为：其中，Ewkm表示软聚类最小损失；φi(k)>0，φi(k)＝qij； β>0。

8.根据权利要求4所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述步骤S3具体为将构建的自编码网络模块和构建的聚类模块中的软分配、KL损失优化、软聚类损失优化进行联合，得到整个自编码嵌入式聚类网络的损失函数为：其中，α，β，γ表示超参数。

9.根据权利要求8所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述步骤S4中初始化构建后的自编码嵌入式聚类网络的聚类中心是通过Xavier Uniform方法初始化的。

10.根据权利要求9所述的一种基于Sliced-Wasserstein距离的深度自编码嵌入聚类的方法，其特征在于，所述步骤S4中还包括调整超参数α，β，γ，并根据整个自编码嵌入式聚类网络的损失函数自动处理嵌入式聚类网络。