近年来,深度学习已成为机器学习领域里面的热门研究方向,深度学习模型模拟人脑的信息处理机制。自动编码器作为一种有效的深度学习模型,可以用于数据特征的提取,由自动编码器构成的深度神经网络具有优越的学习性能。本文设计了一种深度学习神经网络模型,其中结合了稀疏自动编码器和边缘降噪自动编码器的约束条件。稀疏自动编码器的隐藏层神经元满足一定的稀疏性,稀疏性的作用使得稀疏自动编码器可以用尽量少的神经元提取有用的数据特征;边缘降噪自动编码器通过对降噪自动编码器的输入数据的噪声干扰做边缘化处理,从而取得对噪声干扰具有鲁棒性的特征表达。本文提出的深度学习神经网络模型将稀疏性约束条件和边缘降噪约束条件融合构成一个稀疏边缘降噪自动编码器SmDAE,该自动编码器既有稀疏性约束条件又有边缘降噪约束条件。与稀疏自动编码器相比较,SmDAE自动编码器具有更好的噪声鲁棒性,可以降低输入数据中的噪声对特征提取的影响;与边缘降噪自动编码器相比较,SmDAE自动编码器具有更好的稀疏性约束,可以用较少隐藏层神经元提取更好的数据特征。实验表明,相对于稀疏自动编码器和边缘降噪自动编码器,SmDAE自动编码器在给定的实验数据集上,其学习精度和学习性能具有较大的提升。