近日，通过深度神经网络进行有利于聚类任务的特征学习的深度聚类方法在图像聚类应用中取得了显著的性能提升。然而，现有的深度聚类算法通常需要预先指定聚类的数量，而在实际任务中这一数量往往是未知的。此外，所学习特征空间中的初始聚类中心是由$k$k-均值（k-means）生成的，这种方法仅对球形聚类效果较好，可能会导致聚类结果不稳定。本文提出了一种两阶段的基于密度的深度图像聚类（DDC）框架来解决这些问题。第一阶段是训练一个深度卷积自编码器（CAE），从高维图像数据中提取低维特征表示，然后应用t-SNE进一步将数据降维至二维空间，以利于基于密度的聚类算法的应用。第二阶段是在二维嵌入数据上应用开发的基于密度的聚类技术，自动识别具有任意形状的适当数量的聚类。具体而言，生成多个局部聚类以捕捉集群的局部结构，然后通过它们之间的密度关系进行合并，形成最终的聚类结果。实验表明，所提出的DDC框架在未给出聚类数量的情况下，其聚类性能可与最先进的深度聚类方法相媲美甚至更优。