单细胞RNA测序（scRNA-seq）能够揭示细胞异质性，其中细胞聚类在识别细胞类型和标记基因方面发挥着关键作用。近年来，特别是基于图神经网络（GNNs）的方法在提升聚类性能方面取得了显著进展。然而，由于数据中普遍存在噪声、稀疏性以及高维度等问题，scRNA-seq数据的分析仍面临巨大挑战。此外，GNN模型常遭遇过平滑（over-smoothing）问题，限制了其捕捉复杂生物学信息的能力。针对上述问题，我们提出了一种名为scSiameseClu的新颖Siamese聚类框架，用于解释单细胞RNA测序数据，该框架包含三个核心步骤：（1）双增强模块（Dual Augmentation Module），通过施加具有生物学意义的扰动于基因表达矩阵及细胞图结构关系，提升表征的鲁棒性；（2）Siamese融合模块（Siamese Fusion Module），结合交叉相关性精炼与自适应信息融合机制，在捕捉复杂细胞间关系的同时有效缓解过平滑问题；（3）最优传输聚类（Optimal Transport Clustering），利用Sinkhorn距离高效地将聚类结果与预设的细胞类型比例对齐，同时保持类别分布的平衡性。在七个真实世界数据集上的全面评估表明，所提出的~\methodname~在单细胞聚类、细胞类型注释及细胞类型分类任务中均优于现有最先进方法，为scRNA-seq数据的深入解析提供了一个强大而有效的工具。