近年来，深度学习技术已成为人工智能领域重要的研究内容之一，各种基于受限玻尔兹曼机、自编码神经网络、卷积神经网络等深度学习模型相继被提出。这些深度模型已经成功应用于图像分类、生物信息学、语音识别、自然语言处理、推荐系统等众多领域.论文以自编码神经网络为研究对象，从手写体数字分类和不平衡数据分类两个应用领域来研究改进的自编码神经网络的分类性能，主要研究工作如下:　　首先，考虑到降噪自编码神经网络处理图像问题时，隐藏层神经元大部分时间处于抑制状态，通过加入稀疏性限制，提出了一种稀疏降噪自编码神经网络(SDAE)，使得抽象出的特征稀疏表示;其次，针对过采样方法合成少数类新样本时，会产生过拟合及噪音问题，将代价敏感学习和SMOTE方法分别引入到降噪自编码神经网络中，提出了基于代价敏感过采样的降噪自编码神经网络不平衡数据分类算法(OS-DAE)和基于SMOTE方法的堆栈降噪自编码神经网络不平衡数据分类算法(SMOTE-SDAE).论文基于深度学习中自编码神经网络而提出了三种相关的改进算法，并且通过实验对比验证了所提出自编码神经网络改进算法的有效性.