Dans l'apprentissage non supervisé, il n'existe pas de fonction de coût évidente et directe capable de capturer les facteurs importants de variation et de similarité. Étant donné que les systèmes naturels possèdent des dynamiques lisses, une opportunité est perdue si la fonction objectif non supervisée reste statique au cours du processus d'entraînement. L'absence de supervision concrète suggère qu'il convient d'intégrer des dynamiques lisses. Par rapport aux fonctions de coût classiques et statiques, les fonctions objectif dynamiques permettent d'exploiter de manière plus efficace les connaissances progressives et incertaines acquises par le biais d'une pseudo-supervision. Dans cet article, nous proposons le Dynamic Autoencoder (DynAE), un modèle novateur pour le clustering profond qui surmonte le compromis entre clustering et reconstruction en éliminant progressivement et de manière fluide la fonction objectif de reconstruction au profit d'une fonction objectif de construction. Les évaluations expérimentales sur des jeux de données de référence montrent que notre approche atteint des résultats à l'état de l'art comparativement aux méthodes de clustering profond les plus pertinentes.