随着现代网络通信和社会媒体等技术的飞速发展，网络化的大数据由于缺少高效可用的节点表示而难以应用。将高维稀疏难于应用的网络数据转化为低维、紧凑、易于应用的节点表示的网络嵌入方法受到广泛关注。然而已有网络嵌入方法得到节点低维特征向量后，再将其作为其他应用（节点分类、社区发现、链接预测、可视化等）的输入来作进一步分析，没有针对具体应用构建模型，难以取得满意的结果。针对网络社区发现这一具体应用，提出结合社区结构优化进行节点低维特征表示的深度自编码聚类模型CADNE。首先基于深度自编码模型，通过保持网络局部及全局链接的拓扑特性来学习节点的低维表示，然后利用网络聚类结构对节点低维表示进一步优化。该方法同时学习节点的低维表示和节点所属社区的指示向量，使节点的低维表示不仅能保持原始网络结构中的拓扑结构特性，而且能保持节点的聚类特性。与已有的经典网络嵌入方法进行对比，结果显示CADNE模型在Citeseer和Cora上取得最优聚类结果，在20NewsGroup上准确率提升最高达0.525；分类性能在Blogcatalog、Citeseer数据集上取得最好结果，在Blogcatalog上训练比例20%时比基线方法提升最高达0.512；并且CADNE模型在可视化对比中能够得到类边界更加清晰的节点低维表示，验证了所提方法具有较好的节点低维表示能力。