在如今的大数据时代,由于数据源十分广泛,而且数据的内容也日趋复杂,使得人们需要对之添加更多的属性加以描述,进而导致数据维度的增加。对于高维数据,因为数据本身具有的维度高、规模大,结构复杂的特点,使得传统的数据挖掘算法无法发挥理想的效果,由此引起的一系列问题被称为“维度灾难(Curse of Dimensionality)”。维度灾难是机器学习领域的一项巨大挑战。在大数据时代,想要解决好这个问题,势必需要一种强大的降维算法来处理结构复杂、特征繁多的高维数据。自编码器(Auto-Encoder)是一种基于无监督学习的非线性全局降维网络模型,它本身及其衍生出的降噪、稀疏、卷积自编码器等网络模型在面对稀疏、复杂数据的无监督学习问题时展现出其他同类算法所不具备的优势与潜力,目前诸多学者都己参与到它的研究和改进中。本文以用于降维的自编码器模型为出发点,针对该模型的几个不足之处进行改进:(1)在模型的结构方面,由于自编码器也属于深度神经网络,其结构没有特定规律,因此本文从模型层数和每层的神经元个数入手,采用主成分分析(PCA)算法估算出数据的本征维度并设计对照实验,借此调整网络模型的结构并使用该结构处理后续的降维问题。(2)自编码器模型结构相对复杂,在其损失函数中加入正则化项可以降低模型复杂度并提高泛化能力,但正则化参数需要根据实际情况人为设定,因此本文针对这个问题利用极大似然估计法求解正则化参数。(3)自编码器模型结构相对复杂,固定的学习率将会严重影响学习效率及学习效果,因此本文使用最近流行的Adam优化算法,使模型在训练过程中能够自适应的调整学习率和模型参数。最后,本文分别在两个数据集上验证模型的性能,实验结果证明,本文所提出的改进模型相较其他模型的降维效果更优,所提出的改进策略是可行的。