在基于深度学习的计算机视觉研究中,为了更好的提升视觉效果,通常需要使用大规模的数据来学习训练网络模型。然而,大规模的数据都非常依赖大量的人力进行标注,因此花费非常昂贵。为了使得在标注样本数据不足的情况下也能训练出性能较好的网络模型,近年来,大量的方法被学者们提出。其中自监督学习就是通过大量无标注的样本数据进行自监督训练,来学习样本自身的数据特征的一种方法。针对具体实际问题往往通过迁移学习方法对网络模型再使用一定量的有标注数据进行一次训练,就可以训练出一个效果不错的网络模型。本文针对上述问题,主要的研究内容如下。（1）提出了基于多重数据增强自监督机制,将图片样本经过一系列变化如旋转、切割、缩放、颜色扭曲、高斯模糊等操作获取到多组增强后的样本作为在预训练阶段的伪标签,本文将增强的次数称为增强倍数,将增强后的样本和原样本的相似度对比作为预训练阶段的代理任务,可以训练出对不同样本有良好区分力的模型。在训练的组次中,同一样本的增强变体互为正面样本,而其余样本的增强变体则为负面样本,在计算相似度时对不包含自身的正向样本的相似度进行均值处理得到的相似度作为代表值,而该组次中相似度最大值对应的样本作为模型的预测值,只有当该相似度最高的样本为正向样本时,说明该模型的判断正确。而本文使用了 Resnet残差网络和Densenet稠密网络作为特征提取器,经过实验证明,多重增强对模型的判别能力有所提升。（2）本文将所提出的多重数据增强机制通过迁移学习应用到具体的图像分类任务中,将预训练的模型结构进行一定调整并在多个数据集上取得了不错的效果,也证实了多重数据增强机制下模型学习到的判别能力对相近任务都具有积极的作用,并还验证出样本数据量和模型大小之间的关系以及模型大小和增强倍数的选择之间的关系,对投入实际应用有着积极的参考意义。