随着机器学习的发展,涌现出许多优秀的算法,子空间学习以其对数据的降维约简作用被学者们应用于各个学科领域。PCANet将子空间学习与深度学习结合掀起了深度子空间学习研究的热潮,但存在拓扑结构造成特征维度爆炸,以及缺少非线性使网络退化为单一的层等缺陷。PCANet+通过更改网络拓扑结构并增加非线性层使算法在人脸识别中具有更好的表现,但由于使用过量大尺寸卷积核造成计算资源的过度消耗。因此,本文以PCANet+作为研究切入点,PCA理论作依据,利用多尺度特征提取单元、深度可分离卷积以及通道融合等技术提出了三种深度子空间学习算法。本文详细论述了各个算法提出的动机及原理,并在多个识别任务中进行测试,以验证算法性能。本文主要贡献包括:第一,针对PCANet+所需计算资源大,计算时间长等问题,本文提出一种基于多尺度特征提取单元的改进PCANet+,并命名为PCANet++,利用不同尺寸、数量的卷积核对接收到的数据进行卷积提取出丰富的特征。在实际测试中发现,将平均池化层加入到多尺度特征提取单元中会增加单元的表现力。与普通的PCA卷积层相比,本文提出的多尺度特征提取单元层能够实现更好的特征提取效果。另外,使用多尺度特征提取单元层代替原有的大尺寸卷积层,参数量和计算量将大幅减小,从而达到加速计算、降低资源消耗的目的。第二,针对PCANet计算时间长,特征维度呈指数增长等问题,提出了两种基于可分离卷积和通道融合策略的轻量化PCANet。在对PCANet++进行计算时间消耗分析后,发现卷积耗时最长,成为了时间瓶颈,因此提出了两种方案来突破时间瓶颈。一种为基于可分离卷积的PCANet＿dw。可分离卷积将标准二维卷积分为Depthwise卷积和Pointwise两部分,通过的卷积核和二维平面上的卷积降低计算量,进而加速卷积计算。实验证明,与标准二维卷积相比,可分离卷积在达到相同特征提取效果的同时,其参数量仅为标准二维卷积的三分之一。另一种为基于通道融合策略的PCANet＿fuse。通道融合策略利用PCA的原理,在通道上进行特征融合,将标准二维卷积变为二维平面上的卷积,从而将参数量减少为1/c（c为通道数）。论文在三个计算机视觉任务,四个公开数据集上对算法的参数影响、算法效率、实验开销和性能进行测试和分析。实验结果表明,与同类型算法相比,使用多尺度特征提取单元的算法能够实现最好的识别效果,并且能够有效降低计算量;基于可分离卷积和使用通道融合策略的算法则能在识别准确率略微上升的同时大幅加速计算,降低消耗,实现轻量化目的。