Die Kombination von maschinellen Clusterverfahren mit tiefen Modellen hat in der tiefen Clustering-Technologie bemerkenswerte Überlegenheit gezeigt. Sie modifiziert den Datenverarbeitungsprozess in zwei abwechselnde Phasen: Merkmalsclustering und Modelltraining. Allerdings kann ein solcher abwechselnder Zeitplan zu Stabilitätsproblemen und einer erhöhten Rechenlast führen. Wir schlagen einen zentrumlosen Clusteralgorithmus vor, der als Probability Aggregation Clustering (PAC) bezeichnet wird, um tiefes Lernen proaktiv anzupassen und eine einfache Implementierung im Online-Deep-Clustering zu ermöglichen. PAC umgeht das Clusterzentrum und ordnet den Wahrscheinlichkeitsraum und den Verteilungsraum durch die Formulierung des Clusterns als Optimierungsproblem mit einer neuen Zielfunktion an. Basierend auf dem Berechnungsmechanismus von PAC schlagen wir ein allgemeines Online-Wahrscheinlichkeitsaggregationsmodul vor, das stabiles und flexibles Merkmalsclustering über Minibatch-Daten durchführt und somit einen tiefen visuellen Clusteringrahmen namens Deep PAC (DPAC) konstruiert. Umfangreiche Experimente zeigen, dass PAC eine überlegene Clusterrobustheit und -leistung aufweist und DPAC die aktuellen besten Methoden des tiefen Clusterings erheblich übertrifft.