Il presente studio indaga l'applicazione di una metodologia non supervisionata che integra un autoencoder basato su Reti Neurali Convoluzionali (CNN) e l'algoritmo di clustering K-means per l'analisi e la classificazione automatica di spettri Raman di minerali. L'autoencoder è stato impiegato per la riduzione della dimensionalità, trasformando gli spettri ad alta risoluzione in rappresentazioni latenti più compatte, mantenendo le caratteristiche spettrali essenziali. Successivamente, K-means è stato applicato a questi dati latenti per raggruppare gli spettri in cluster, esplorando diverse configurazioni del numero di cluster (k=18,15,12) guidate dal metodo del gomito. I risultati hanno dimostrato l'efficacia dell'approccio nel raggruppare automaticamente spettri simili. In particolare, gruppi mineralogici quali i Feldspati, il Quarzo e gli Anfiboli hanno mostrato una notevole robustezza e purezza di cluster attraverso tutte le configurazioni di k, evidenziando firme spettrali intrinsecamente ben distinte. Al contrario, altre classi, come i Carbonati, hanno rivelato una maggiore sensibilità alla variazione di k, tendendo a formare cluster più ampi ed eterogenei con la diminuzione del numero di raggruppamenti. Un'analisi comparativa ha inoltre evidenziato come la scelta di k implichi un trade-off cruciale tra la granularità della classificazione e l'omogeneità chimico-mineralogica dei cluster. La configurazione a 18 cluster ha offerto il miglior equilibrio, garantendo una maggiore purezza e una discriminazione significativa tra sottoclassi. Questo lavoro sottolinea il potenziale dell'apprendimento automatico non supervisionato per l'esplorazione e la categorizzazione efficiente di grandi dataset spettroscopici in mineralogia, fornendo insight pratici sulla selezione del numero ottimale di cluster.