我们提出了一种用于无监督子空间聚类的新型深度神经网络架构。该架构基于深度自编码器，能够非线性地将输入数据映射到潜在空间。我们的核心思想是在编码器和解码器之间引入一个新颖的自表达层，以模拟在传统子空间聚类中已被证明有效的“自表达”特性。由于该自表达层具有可微分性，因此通过标准的反向传播过程可以简单而有效地学习所有数据点之间的成对亲和力。此外，由于我们的方法是非线性的，基于神经网络的方法能够对具有复杂（通常是非线性）结构的数据点进行聚类。我们进一步提出了预训练和微调策略，使得我们能够有效地学习子空间聚类网络的参数。实验结果表明，所提出的方法显著优于现有的最先进的无监督子空间聚类方法。