深度学习源于对人工神经网络的研究,由于神经网络的通用效果和性能都很出色,深度学习技术已经应用到各个行业领域。度量学习在特定任务上学习一个距离度量函数来研究样本对之间的关系,度量学习已经帮助许多算法取得了很好的性能,加入度量学习会使得不同类别的样本区分性更强。因此许多学者研究了深度学习和度量学习的协同作用,近年来许多深度度量学习算法被相继提出。这些深度度量学习模型从样本中提取高质量的特征虽然能够提供理想的结果,但是样本中包含的干扰因素多且复杂,模型学习到的特征质量很大程度依赖于度量方法中区分异类样本的范围参数的取值,并且这些参数都是固定的,不能够自适应的调整到适合异类样本的最佳区分程度。为了提高对异类样本的区分能力,同时获得具有良好判别性的特征,本文提出了一种自适应判别自编码器（SADAE）网络模型,用来区分异类样本的范围阈值会随着网络更新而自适应调整到最优值。SADAE模型由K个局部自编码器学习K个子空间用来挖掘数据的局部异构性分布和一个全局自编码器来限制学习图像表示的空间尺度。模型的训练过程分为两个阶段:第一阶段根据样本的重构损失误差,对K+1个自编码器模型进行预训练,结果作为后续步骤的初始化模型参数;第二阶段使用本文提出的深度自适应度量学习研究异类样本之间的深层隐藏关系,提取具有判别性的样本特征。实验中在多个图像数据集上比较了SADAE和流行的深度学习、度量学习方法提取的特征质量。实验结果表明,SADAE比其他方法有更优越的表现。对于图像任务,由于图像中的颜色和纹理包含了许多重要的判别信息,合理利用颜色和纹理信息能够引导模型达到最佳分类效果。所以在SADAE模型的基础上,文中做了两种改进和性能优化的方法:第一种引入了基于高斯核径向基函数的颜色深度视觉特征,在第一阶段径向基函数中的参数随模型共同进行训练并更新优化,寻找到最优的颜色深度特征,再将颜色深度特征输入到第二阶段中进行深度自适应度量学习;第二种采用局部二进制模式获取图像纹理视觉特征来对模型进行引导,先对图像提取纹理特征,再依次进行第一阶段和第二阶段训练。同时两种改进的模型都在第二阶段加入全连接层来提取低维的样本特征。实验结果表明,改进后的模型与SADAE相比,分类准确率和收敛速度等指标上有明显的提高。