图像处理与模式识别是当今前沿科技中的重要研究领域,特征提取作为图像识别的重要环节,对识别率、运算时间有着重要影响;近年来深度学习作为新的特征提取手段,在对图像特征的语义描述能力方面很大程度上优于传统特征提取方法。本文从深度学习模型中的深层特征映射结构出发,结合目前国内外的相关研究成果,对深度子空间模型这一新兴的深度特征提取模型进行研究改进。首先,为了提高模型鲁棒性,在深度子空间模型中融入稀疏表示相关理论,通过稀疏优化方法对特征提取过程进行约束。针对图像中存在的噪声干扰,通过构建误差矩阵,在每层子空间特征映射过程中都针对稀疏特征矩阵和误差矩阵进行最优化求解,最大程度将噪声干扰与稀疏特征相分离,保持特征提取结果的内在稀疏特性,便于后续的识别分类。实验表明融入稀疏表示理论之后的深度子空间模型能够有效应对图像识别问题中的噪声干扰,提高模式的识别率和鲁棒性。其次,为了解决自定义深层子空间的距离度量问题,提出距离度量标准自学习理论,通过求解深层子空间中最大化类间距离来确定最优距离度量映射矩阵。深层子空间相对于经典单层子空间,具特征维数高、数据分布更为复杂。通过度量自学习操作,能够在每层子空间特征映射过程中最大化保留样本间区分信息,从而得到特定子空间中对应的最优距离度量标准,在该度量标准下,样本特征的类间距离尽可能大,类内距离尽可能小,有利于后续的识别分类。实验表明引入度量自学习机制的深度子空间模型能够更好的对特征数据进行有效分析,从而提高系统识别效率。最后,针对人脸图像以及部分目标物体图像中所蕴藏的固有对称性,将对称性约束应用于深度子空间特征提取模型中,提高模型对于对称物体图像的特征抽象能力。其中人脸图像具有典型的对称性,通过在层间特征映射过程中引入对称性度量矩阵,添加对称性约束,能够有效的发掘面部三庭五眼之间的特殊位置关系,从而对特征提取结果进行更为合理的优化改进,便于后续的识别分类。实验表明引入对称性约束的深度子空间能够有效处理具有内在对称性的目标图像,提高模型性能。