在计算机视觉研究中,如何得到表示性强的抽象图像特征,是用计算机帮助人类理解图像语义信息的关键。传统图像特征提取依赖于人类对图像的理解手动提取特征,局限性较大。近年来,使用以卷积神经网络为代表的深度特征学习方法而自动学习图像特征,已经渐渐成为主流研究方向,然而训练深度卷积神经网络往往需要大量的有类标数据,获得这些有类标数据往往有着非常昂贵的成本,因此如何在半监督或弱监督条件下利用神经网络进行特征学习成为亟待解决的问题。本文对使用卷积神经网络架构的去噪自编码器网络展开研究,探求其在弱监督和自监督条件下的特征学习效果,给出在硬件资源不足时的解决方案,并描述其在显微图像识别问题上的应用。论文的主要工作包括:首先,针对图像有类标数据较少的问题,提出了一种可以利用无类标数据进行学习的自监督学习方法。该方法利用带对称跨层连接的卷积自编码器,通过“编码器-解码器”的结构学习图像特征,加入对称跨层连接向后传递图像细节,以保证网络在学习底层图像任务的时候能够学习到足够抽象的特征表示。其次,针对深层卷积自编码器的效率问题,提出了一种辅助训练方法,可以利用深层自编码器网络和深层图像分类网络,辅助训练浅层自编码器网络网络,从而在提升图像恢复和特征学习速度的同时,最大限度地保证恢复清晰度和特征学习的效果。最后,将文章所提出的自编码器网络,应用于现实中的医学真菌显微图像识别问题,针对使用全部类标和部分类标两种应用场景,分别达到95%以上的分类准确率。