机器学习作为一种实现人工智能的方法,已然成为目前研究的热点之一。作为机器学习的基础,表示对于算法的重要性毋庸置疑。换言之,机器学习算法性能的优劣在很大程度上取决于表示的选择。表示学习能够根据实际应用自适应地学习数据的有效表示,并且性能良好。自动编码器作为一种重要的表示学习算法,已经吸引了研究者们众多的目光。本文借鉴度量学习、Siamese网络、Gabor滤波器和自动编码器等理论,分别提出了两种算法:有监督的度量自动编码器和Gabor自动编码器。本文主要内容如下:首先,本文为后续章节作了一个理论铺垫。考虑到新算法借鉴自动编码器理论,本文着重介绍了人工神经网络基本理论、反向传播算法、自动编码器及其改进算法等,并对实验中所采用的几种数据集进行了详细说明。其次,本文融合度量学习、Siamese网络和自动编码器等思想提出了有监督的度量自动编码器,使得学习到的表示同时具备重构特性和度量学习的特征。为了便于说明和理解,本文给出了该算法详细的推导过程以及算法流程和网络架构。通过在MNIST和Fashion-MNIST数据集上的实验,并与其他算法进行比较,本文证明了该算法表示学习性能更优,识别率更高。最后,借鉴于Gabor滤波器、Siamese网络和自动编码器等理论,本文提出了一种新的算法:Gabor自动编码器。理论上讲,自动编码器和Gabor滤波器的结合将会使得Gabor自动编码器学习的表示不仅具有自动编码器特征的重构特性,还将蕴含图像纹理信息。同样地,本文阐述了Gabor自动编码器详细的推导过程、算法流程、网络结构和图像识别过程。本文在MNIST、Fashion-MNIST、MNIST-rot和车牌数据集上进行了实验,结果表明,相较于传统机器学习算法及部分卷积神经网络算法,Gabor自动编码器表现极佳,明显优于这些算法。