随着因特网与多媒体硬件技术的不断革新,出现了越来越多的大规模无标记高维图像。如何高效地处理这类图像数据始终是一个热门且重要的研究方向。特征嵌入学习是一类有效的学习方法,它不仅仅降低了数据的维度,同时保留原始特征大部分的物理信息,适用于许多的研究领域。然而经典的监督特征嵌入学习算法无法有效地解决无标记数据,而无监督特征嵌入学习算法在面对此类高维数据也存在效率低下和过拟合等问题,这对于后续的图像分类等机器学习任务也将产生影响。此外,在面对高维噪声图像时,传统的学习算法还存在鲁棒性不高的问题。因此,本文针对上述问题,提出了一个新的模型来解决高维数据的特征提取问题。在此模型基础上,串联上图像分类器的联合训练模型也有效地解决了高维噪声图像分类问题。主要研究内容和创新点包括:（1）提出了基于自编码器的无监督去噪特征学习模型。数据的高维性必然带来效率低下的问题,且往往还伴随着过拟合。如何从高维数据中提取高判别性的特征表示是后续学习任务的关键。针对上述问题,本文提出一个基于自编码器的无监督去噪特征学习模型。模型利用了Dropout等技术。Dropout对于网络提供了一定的正则化效果,有效地缓解了模型的过拟合问题。噪声层的加入使得模型提取的特征表示具有更好的判别性。合理的网络预训练与参数设置提高了模型的效率,减少了特征学习所需的时间。最后,在标准图像数据集上的大量实验以及二维特征可视化验证了模型提取的低维表示的有效性。（2）提出了基于深度特征嵌入学习的联合训练分类模型。经典的特征嵌入学习算法在面对高维噪声图像数据时往往鲁棒性较差,提取的低维特征表示在分类问题上精度不理想。因此,在去噪特征学习模型的基础上,本文提出了基于深度特征嵌入学习的联合训练分类模型。模型通过分类器对噪声图像进行联合训练,有效的预训练学习以及网络参数上的合理设置,较好地解决了高维噪声图像的特征学习与分类问题。最后,大量的对比实验验证了联合训练分类模型针对噪声数据的鲁棒性以及对各类图像特征学习的有效性。为了更直观的探究网络模型的性能,还进行了实验的可视化和参数敏感性分析。