近年来,深度神经网络是人工智能和大数据分析领域研究的热点,深度神经网络通过组合低层特征形成更加抽象的高层表示属性以发现数据的分布式特征表示。自动编码器作为一种基本的深度学习模型,并以此为基本框架构造深度神经网络,通过无监督的特征学习过程提取数据特征或属性,已经在机器学习预测和识别领域取得了显著的成就。为了充分发挥自动编码器模型特征学习的优势,本文基于传统自动编码器设计了一种混合深度学习模型,其中混合了降噪自动编码器和收缩自动编码器的训练过程和约束条件。降噪自动编码器是在输入数据上添加一定比例的噪声干扰,在训练学习过程中使得自动编码器能够更好的重构输入,从而取得具有对噪声干扰具有鲁棒性的特征表达;收缩自动编码器损失函数中的正则化目标为编码器Jacobian矩阵的Frobenius范数,其作用是降低极小化变量对编码器的影响,辅助编码器更好的学习特征。本文提出的混合学习模型是采用模块拼装的方法建立深度网络结构,将降噪自动编码器单元和收缩自动编码器单元同时引入同一个神经网络,形成新的深度学习模型SDCAE。SDCAE模型在训练过程中充分利用两个自动编码器的优点,并采用梯度下降的方法训练对模型中的分类器和自动编码器的参数进行学习。本文在MNIST数据集上进行实验来验证模型SDCAE。通过在三种自动编码器上的分类实验对比,新的混合学习模型在MNIST数据集上的学习精度取得了一定的提升,显示出更好的学习性能。