无监督图像分类是计算机视觉领域的一项具有挑战性的任务。基于深度学习的算法已取得卓越成果，其中最新方法采用从特征嵌入（embedding）与类别分配（class assignment）过程中统一损失函数的策略。然而，由于这两个过程本质上目标不同，联合优化可能带来次优解。为克服这一局限，本文提出一种新颖的两阶段算法：第一阶段通过嵌入模块进行预训练，第二阶段引入一个精炼模块，该模块同时执行特征嵌入与类别分配。在多个数据集上的实验结果表明，该模型在无监督任务中显著优于当前最优（SOTA）方法，具体表现为：在CIFAR-10数据集上达到81.0%的准确率（提升9.3个百分点），在CIFAR-100-20上达到35.3%的准确率（提升9.6个百分点），在STL-10数据集上达到66.5%的准确率（提升6.9个百分点）。