大规模数据的积累,以及计算硬件的进步和各种算法的提出,极大地推进了图像分类、机器翻译、语音合成等领域的繁荣发展。然而,大部分的应用局限于大量有监督数据集可用的场景,而数据的标记又往往是劳动紧密型的,其代价是昂贵的。即使能够获取大量有标记的数据,仍然受限于算法的局限性,比如大规模应用的卷积网络也渐渐被发现具有容易被对抗样本欺骗,灾难性遗忘等缺陷。另一方面,未标记数据往往是易于收集的,而且其出现的场景更加广泛,但是由于无监督算法尚未发展起来,它的利用依然是一个具有挑战性的问题。鉴于上述一些现象,近些年Capsule模型被提出,其主要目的是解决卷积网络所具有的缺陷,提出使用Capsule来封装多个神经元,进而表示一个实体概念,并提出了动态路由的观点。Capsule模型的思想是先进的,但其在具体实现上仍然欠缺发展。鉴于此,本文基于前人的思想与工作,分析了Capsule模型与传统神经网络之间的关联性,并提出一个广义的用于学习Capsule模型参数的动态路由算法。我们在分类问题上检验该算法,与前人的算法相比较,其性能得到了显著提升。另外,我们认为Capsule具有明显的无监督特性。因此,在本文中,我们创新性地提出将其思想与流式生成模型相结合,进而发展出一类称为动态线性流的生成模型。动态线性流模型是一个可逆的,计算效率高的精确似然模型,具备流式生成模型的并行计算特性以及自回归方法优秀的密度估计性能。它除了能够直接对数据进行边缘分布估计外,也能编码和推断数据的隐空间表示,进而使用其隐空间表示进行分类等其他下游任务。在实验中,相比前人所提出的精确似然模型,我们展示了动态线性流模型1)在密度估计方面,能够在Image Net等多个基准图像数据集上获得最优的负对数似然分数;2)在收敛速度方面提升了10倍以上;3)能够在Celeb A 256×256等高分辨率数据集上高效地合成随机样本。我们的实验充分展示了动态线性流模型在无监督任务上的优越性。精确似然模型的训练是简单而稳定的,但对高维变量建模是困难的。而我们的工作充分证明了对高维变量建立精确似然模型的可行性。我们相信,随着方法的改进,精确似然模型将打开无监督学习的新时代,使我们能够解决当前机器学习在数据效率和范化问题上的局限性。