由于深层结构具有对数据的良好表征能力,近年来它被广泛的应用于众多领域。属性是被用来描述数据的一种特殊数据类型,目前也被成功用于提升很多任务的性能。然而,将属性引入深层结构是复杂而且具有挑战的,因为深层结构中的不同层表征着不同抽象层次的特征,而属性本身天然地表征着数据的不同抽象层次。这样一来,就要求我们必须通过仔细考察属性和深层结构层次之间的关系将二者适应性的进行联合建模。以往的研究工作通常不考虑二者的抽象层次,只是将属性作为与原始数据特征一样的数据直接引入到深层结构中,与之不同的是,本文的工作通过考察二者抽象概念层次间的关系,合理地将属性连接到深层结构的对应层次上,从而能够更好的利用属性中蕴含的信息,具体工作如下:1.本文提出了一种能够将属性数据自动连接至深层网络中合适层次的基于能量的模型。该模型能够对属性数据和深层网络进行统一建模,并通过引入一个可学习的开关矩阵来控制属性数据连接至合适的网络层次。基于该基础模型,还提出了两种扩展模型,其中一种是将卷积操作直接综合到模型的能量函数中,另一种是将卷积神经网络中间层的输出作为该基础模型的输入,从而将两个模型堆叠起来得到新的模型。2.本文提出了一个两阶段不断迭代的学习算法。该算法不断迭代模型参数和开关矩阵的学习过程,最终达到收敛。3.在3个真实数据集上与6个基准方法在多个使用场景中的比较结果显示,本文提出的模型通过将属性数据连接至合适的网络层次,能够更好地将属性信息引入深层网络,从而更大程度上提升了模型的性能。特别地,该模型基于卷积神经网络的扩展模型在多个数据集上超越了卷积神经网络,而后者被公认为目前处理图像的最佳模型。借助于本文提出的模型与方法,属性数据能够更好地被用在深层网络中来进一步提高网络的性能,这样一来,在实际应用(如图像识别、语义识别等)中,可以通过标注属性数据达到更好的效果。