随着深度学习模型在多领域的成功应用,基于规则化的深度神经网络得到了迅猛发展,即在深度学习模型最终优化的目标函数(损失函数)中加入了一些规则化项,使得最终训练得到的特征更有益于后续的应用。但就分类任务而言,当前规则化方法的性能面临着严重的挑战。针对上述问题,本论文就分类任务,设计了一种新颖的规则化方法,它整合了标记样本和无标记样本中的局部和非局部约束信息,通过利用这些信息来提取那些能够有效保留原始样本空间中的类别可分性的抽象特征。对于标记样本,我们利用类标签来定义局部和非局部的信息,然后通过最小化类内紧密性(局部性)和最大化类间可分性(非局部性)来获得拓扑规则化项。对于无标记样本,我们使用一个样本到其他样本的平均距离作为阈值来判定它的邻居和非邻居样本,然后这个拓扑规则化项就是同时最大化非局部散度和最小化局部散度。通过整合标记样本和无标记样本的局部和非局部拓扑规则化项,我们的判别规则化项能够提取那些更适合分类的特征。综上所述,本文提出的基于局部和非局部规则化的半监督深度学习的解决方案,给出了新的规则化深度学习方法。本文在多个标准的图片数据集上进行了验证,通过大量的性能评估和对比实验表明,我们的方法提取的特征更具判别性,在图片分类任务上,具备显著的性能优势。