随着计算机技术的飞速发展和电子数码产品广泛应用,网络上充斥着越来越多的各种图片。很多应用场景都需要对这些海量图片进行分类,显然直接通过人工来完成这一任务是不可行的,因此需要借助计算机通过高效的算法来解决这一问题。深度学习是近十年来人工智能领域取得的最重要的突破之一,Auto-Encoder作为一种深度学习的常用模型,能够很好的解决上述问题。Auto-Encoder是一类非概率性特征提取方法,其提取到的特征可以有效的解释原始数据的特性。Auto-Encoder算法得到了广泛的关注,目前这种算法已应用于物体识别、图像分类、人脸识别以及自然语言处理等诸多领域。本文面向图像识别,针对Auto-Encoder模型,主要做了以下工作:1.提出了Hessian正则化的稀疏Auto-Encoder算法(HSAE)。Hessian正则化使得样本保留了在映射流形空间中的局部结构,稀疏性约束使得Auto-Encoder能够有效的提取特征结构且具有较好的鲁棒性,这样更利于分类器进行分类。我们分别在手写数字数据库MNIST与物体识别数据库CIFAR-10上进行对比试验,HSAE算法优于基本Auto-Encoders、稀疏Auto-Encoders、Laplacian正则化Auto-Encoders以及Hessian正则化Auto-Encoders。2.提出了Large-Margin约束的Auto-Encoder算法(LMAE)。Large-Margin约束可以进一步加大隐层特征的可辨别性,在减小同类样本之间的距离的情况下,使得异类样本之间都至少存在一个固定的最小间距。实际应用中,我们考虑每个样本的最近邻样本,根据他们的标签使异类样本都与选定的样本存在一个“安全边界”,使得最终分类效果得到提升。