Bildclustering ist eine entscheidende, jedoch herausfordernde Aufgabe im Bereich des maschinellen Lernens und der Computer Vision. Bestehende Methoden berücksichtigen oft nicht die Wechselwirkung zwischen Merkmalslernprozessen und Clustering. Um dieses Problem anzugehen, schlagen wir Deep Adaptive Clustering (DAC) vor, das das Clustering-Problem in einen binären Paar-Klassifikationsrahmen umformt, um zu entscheiden, ob Paare von Bildern zur selben Cluster gehören. In DAC werden die Ähnlichkeiten als Kosinus-Distanz zwischen den Label-Features der Bilder berechnet, die durch ein tiefes convolutionales Netzwerk (ConvNet) generiert werden. Durch die Einführung einer Einschränkung in DAC neigen die gelernten Label-Features dazu, One-Hot-Vektoren zu werden, die zur Clustering von Bildern genutzt werden können. Die Hauptherausforderung besteht darin, dass die wahren Ähnlichkeiten im Bildclustering unbekannt sind. Wir lösen dieses Problem durch die Einführung eines alternierenden, iterativen Adaptive-Learning-Algorithmus, bei dem in jeder Iteration abwechselnd gelabelte Beispiele ausgewählt und das ConvNet trainiert werden. Insgesamt werden die Bilder automatisch basierend auf den Label-Features clustering. Experimentelle Ergebnisse zeigen, dass DAC eine state-of-the-art-Leistung auf fünf gängigen Datensätzen erzielt, beispielsweise 97,75 % Clustering-Accuracy auf MNIST, 52,18 % auf CIFAR-10 und 46,99 % auf STL-10.