自2012年起,深度学习在计算机视觉领域展示出了强大的数据建模能力。深度学习对于数据的建模能力一般体现在对于数据的特征化表达,良好的特征化表达有利于数据精准的模式分类、匹配、检索等任务,从而满足不同的实践应用需求。因此,如何学习和优化良好的深度特征表达(在本文当中我们将具有良好特性的特征表达称为鉴别性特征表达)是现代深度学习最具有挑战性的前沿方向之一。在基于深度学习的鉴别性特征学习中,特征的判别性、特征的泛化性等关键问题与挑战相互交叠,共同影响了特征的鉴别性。而特征鉴别性又受到目标函数以及网络结构等的多重影响。鉴于此,本文将分别从目标函数以及网络结构的角度出发来提高深度特征的鉴别性,具体地,该博士论文的主要创新点包括:1.针对主流目标函数之一的softmax框架,本文提出两种改进算法,即Virtual-Softmax与Noisy-Softmax。这两种算法分别通过引入虚拟负类别和退火噪声提高了深度特征的鉴别性。同时,这两种算法的有效性在图片分类、人脸识别数据库中得到了验证。2.针对主流目标函数之一的深度度量学习框架,本文提出两种改进算法,即分别基于图模型和混淆学习的正则项。这两种算法分别提高了深度特征的判别性和泛化性,且它们的有效性也在常用的图片检索数据库当中得到了验证。3.针对网络结构的改进,本文提出了基于高阶关注模型的集成模型网络,从而提升了整体特征表达的鉴别性。该算法的有效性在常用的行人重识别任务当中得到了有效的验证。