随着计算机技术的飞速发展,以及嵌入式摄像头等各类数码设备的流行,网络和生活生产中无处不在的视觉数据呈现出井喷式增长,使得图像数据的精准检索、分类和检测等计算机视觉研究越来越活跃。与此同时,也让基于此运用的各种新兴视觉产业看到了曙光。深度学习凭借其在计算机视觉领域所展现的优秀数据建模能力,得到了研究者的广泛关注。深度学习在数据建模中的优势体现在视觉特征学习上,通过快速地获取高判别性特征学习能够满足不同的应用需求。因此,如何快速而准确地获取计算机视觉任务中的判别性特征是深度学习研究的重点、难点和热点。在计算机视觉任务中,对于基于深度学习的视觉特征学习,其关键问题在于如何保证特征表达的判别性、大规模图像视觉任务中模型算法的高效性和在噪声等场景下模型算法的泛化性,这些问题相互交叠,为优秀的视觉特征学习带来挑战。而优秀特征的快速提取又受到了样本挖掘、网络模型和损失函数的多重影响。基于上述问题,本文将利用深度学习模型,从样本挖掘、网络函数和损失函数优化这三个切入点出发,解决视觉特征学习存在的关键问题。现将该博士论文的主要创新点总结如下:1.针对目前流行的损失函数之一的深度度量学习框架,本文提出了基于结构分布熵排序的深度度量学习方法。该算法聚焦于损失函数优化过程中,由于忽略特征空间分布信息,而造成的特征表达判别性弱的问题。对于正样本,该算法为样本学习一个超平面,而不是让其空间距离无限接近,以保留其内部的相似性结构;对于负样本,通过提出分布熵排序学习的概念,引入了基于视觉特征空间的分布熵权重来保持负样本类间特征结构分布的一致性。该算法提高了深度视觉特征表达的判别性,与此同时,算法的有效性在地标类图像检索的计算机视觉任务中得到了有效验证。2.针对目前流行的样本挖掘和模型优化的深度度量学习框架,本文提出了基于优化一致性保持的深度度量学习算法,主要解决样本挖掘中,基于启发式观察的超参数调整造成的时间消耗问题,以及模型优化过程中因网络优化的方向与损失函数降低方向不一致而造成的算法效率低的问题。该算法包含了能够自动设置边界阈值的基于最近邻决策边界的前k个“错位”样本挖掘算法（Top-k Misplaced Samples,Top-k MS）。除此之外,还有基于特征空间和检索结果的全局优化算法（Feature Space and Retrieval Results,FSRR）,保证了视觉特征学习的高效性,并在大规模遥感图像检索的计算机视觉任务中得的了有效验证。3.针对深度网络模型的改进,本文提出了两种算法,分别是基于残差关注分频卷积的集成模型算法和基于域自适应和增强特征的集成模型算法。其中基于残差关注分频卷积的集成模型算法聚焦于前景和背景不平衡的图像中,大量的低频信息造成的存储量增加和计算冗余问题,以及图像类别数目不平衡下的关注偏差问题。通过对不同频率空间信息重新整合,并关注高频信息,以降低网络的存储和计算量。与此同时,通过设计平衡损失函数来减少类别和类别数目不平衡的影响,实现了深度视觉特征学习的判别性和高效性;基于域自适应和增强特征的集成模型算法旨在噪声背景以及因季节和天气导致亮度变化的场景中,提高深度特征学习模型的泛化性。该算法通过构建具有噪声的数据集和设计基于亮度值差异的图像增强方法,减少噪声和亮度变化对特征学习的影响,提高算法的泛化性;通过将特征增强模块引入特征金字塔和分层增强网络中,提高小目标深度特征的判别性。两种算法的有效性在路面裂缝检测的计算机视觉任务中得到有效验证。