受限玻尔兹曼机(Restricted Boltzmann Machine,RBM),作为一种基于能量的生成式模型,被广泛应用于数据降维、数据编码以及深层神经网络中。标准RBM的结构是一个由二进制类型的可视层节点和隐藏层节点组成的对称二部图,因此只能处理二进制输入数据。为了解决这一弊端,高斯-伯努利RBM(Gaussian–Bernoulli RBM,GRBM)被设计来处理实数型数据(如,图像数据)。与标准RBM不同的是,GRBM的可视层由实数型节点组成。得益于GRBM强大的无监督数据编码能力,GRBM常常被当做一种高效的无监督表征学习模型,许多基于GRBM的表征学习模型被相继提出。然而,现有的基于GRBM的表征学习模型都忽视了原始输入数据中的点间亲和度信息可以被用于提高模型在隐藏层所学数据表征的表达能力。本文提出了一种基于点间亲和度的GRBM模型(interpoint-Affinity-Based GRBM,ab GRBM)用于学习判别性数据表征。在所提出的ab GRBM模型中,原始数据中的点间亲和度信息被用于引导模型的无监督表征学习过程,从而可以促使模型在不依赖于任何外部数据标签的前提下,在隐藏层学习有利于聚类或分类任务的数据表征。首先,通过在原始GRBM目标函数中引入有关点间亲和度信息的正则项,构造了改进的、用于学习判别性表征的ab GRBM模型的目标函数。接着,通过求解ab GRBM目标函数,得到了模型参数的更新法则。最后,根据所求解的模型参数更新法则,设计了基于ab GRBM模型的表征学习算法流程。为了验证模型的有效性,提出了三种基于ab GRBM模型的无监督聚类算法ab GRBM-KM,ab GRBM-AP,ab GRBM-DP,以及一种基于ab GRBM模型的有监督分类算法ab GRBM-SVM。实验通过比较这四种算法与其他对比算法在多个Microsoft Research Asia Multimedia(MSRA-MM)图像数据集的性能表现,来评估ab GRBM模型在学习判别性数据表征上的有效性。实验结果表明,所提出的ab GRBM模型可以显著提升隐藏层所学数据表征的表达能力,同时也验证了原始数据中的点间亲和度信息的有效性。此外,为了进一步分析模型,实验还探讨了不同超参数设置对模型表征学习性能的影响。