深度圖聚類(lèi)（DGC）因能將圖中節(jié)點(diǎn)劃分為有意義的簇群而廣受關(guān)注，但現(xiàn)有DGC方法常忽視數(shù)據(jù)固有噪聲的影響，這類(lèi)噪聲會(huì)引入隨機(jī)不確定性并降低聚類(lèi)性能。為此，提出新型不確定性感知圖聚類(lèi)框架UGC：該框架一方面通過(guò)強(qiáng)化有效連接、抑制虛假邊優(yōu)化原始圖結(jié)構(gòu)，另一方面建模分布表示以捕捉特征與結(jié)構(gòu)層面模糊性帶來(lái)的不確定性，并在高置信度拓?fù)渑c聚類(lèi)信息引導(dǎo)下，將此不確定性通過(guò)對(duì)比學(xué)習(xí)融入訓(xùn)練過(guò)程；此外，UGC還引入一致性學(xué)習(xí)促進(jìn)雙視圖間分布語(yǔ)義對(duì)齊以強(qiáng)化視圖特異性噪聲抑制，同時(shí)設(shè)計(jì)不確定性感知表示融合機(jī)制進(jìn)一步減輕噪聲或矛盾信息的影響。基準(zhǔn)數(shù)據(jù)集實(shí)驗(yàn)表明UGC持續(xù)優(yōu)于現(xiàn)有先進(jìn)方法，且將其擴(kuò)展到空間轉(zhuǎn)錄組數(shù)據(jù)領(lǐng)域識(shí)別任務(wù)的驗(yàn)證與分析，也進(jìn)一步證實(shí)了其有效性與穩(wěn)健性。