近年来,深度学习的发展为计算机视觉、自然语言处理以及语音识别等众多领域带来了颠覆性的改变。随着卷积神经网络自动提取特征的能力越来越强,计算机视觉在人脸识别、自动驾驶等方面也不断发展。视觉图像的特征提取是机器理解视觉图像的重要内容之一。无监督视觉特征表示学习的目标是从无标签的视觉数据中学习出有利于视觉理解的特征表示,对于减少人工标注的繁重工作量、发挥大量无标签视觉数据的潜力具有重要意义。目前,大部分的无监督特征表示学习算法是从静态图像中进行学习。事实上,人类的视觉系统并不是从静态图像中学习物体对象的特征,而是从包含运动物体对象的动态场景中进行学习。受此启发,本文提出了一种基于运动物体对象的无监督视觉特征表示学习算法,无需对数据进行标注来进行特征表示的学习。其核心思想是,给定各个运动物体对象后,同一物体对象的图像数据样本应该属于同一类别,将其作为自监督信息来让卷积神经网络学习特征提取,要求同一物体对象的图像数据样本的特征表示在特征空间中较为接近。本文的主要研究内容如下:采用卷积神经网络作为特征提取的基础网络,提出了基于物体对象的三元组采样算法。利用同一物体对象的图像样本一定属于同一类别这一自监督信息,进行三元组(基准样本-正样本-负样本)的采样。在同一物体对象的图像样本内部进行基准样本-正样本对的采样,然后再采样与其不同物体对象的图像样本作为负样本,从而组成三元组。哪些图像属于同一个物体的自监督信息可以通过从视频中进行物体跟踪等方法获取,本文假定事先已知。完成三元组采样后,本文设计了一种基于物体对象的三元组损失函数来训练网络。要求最大化物体对象内部图像样本的相似度,且最小化属于不同物体对象的图像样本之间的相似度。具体来说,拉近所有基准样本和正样本之间的距离,同时拉远负样本和基准样本、正样本之间的距离,从而优化网络参数。由于负样本是从不同物体对象(类别未知)的图像样本中采样获取,有可能负样本与基准样本和正样本其实属于相同类别。此时,拉远负样本和基准样本、正样本之间的距离相当于学习到更细粒度的特征表示,使得同一类别的样本之间的细微差别也被学习出来,从而学习出多粒度的特征。这个过程对优化的收敛没有不利影响。因此,基于物体对象的三元组采样算法即使在负样本与基准样本和正样本类别相同时,对卷积神经网络的训练仍然能取得成功,同时学习出多粒度的特征。本文的实验结果也证实了这一点。最后,本文将基于物体对象的无监督特征表示学习算法所学习到的特征用于分类和聚类等下游任务上,并与其它常见的无监督特征表示学习算法进行了实验对比。实验结果表明,本文的基于物体对象相似性的无监督特征学习算法比目前大多数无监督特征学习算法取得了更优的分类和聚类效果,反映了本文算法所提取出的特征的有效性。