本文提出了一种单阶段在线聚类方法——对比聚类（Contrastive Clustering, CC），该方法显式地进行实例级与簇级的对比学习。具体而言，针对给定数据集，通过数据增强技术构建正负实例对，并将其映射至特征空间。在该特征空间中，通过最大化正例对之间的相似性、最小化负例对之间的相似性，分别在行空间和列空间中实现实例级与簇级的对比学习。我们的关键观察是：特征矩阵的行可被视为实例的软标签，相应地，其列可进一步被解释为簇的表示。通过联合优化实例级与簇级的对比损失，模型能够以端到端的方式同时学习数据表示与聚类分配。大量实验结果表明，CC在六个具有挑战性的图像基准数据集上显著优于17种先进的聚类方法。特别地，在CIFAR-10（CIFAR-100）数据集上，CC分别取得了0.705（0.431）的NMI（标准化互信息）得分，相较于最优基线方法，性能提升高达19%（39%）。