获取高质量、判别能力强的特征是分类任务的关键问题之一,对模型的训练及分类性能至关重要。传统的特征学习主要包括特征选择和特征提取,都属于浅层学习。相较于传统算法,深度神经网络具有更好的非线性拟合能力以及特征提取能力。其中,堆栈自动编码器（Stacked Autoencoder,SAE）作为典型的深度学习算法之一,不仅具有特征自学习能力,能够通过多层非线性变换挖掘数据中的关键信息,还具有搭建过程简单,易于理解和实现等优点,因此被广泛应用于分类任务的特征学习阶段。尽管目前关于SAE的研究已取得了一定的进展,但进一步的改进研究仍具有挑战性。SAE网络的训练依赖于大样本量,因此在小样本下,网络易陷入过拟合,导致提取到的特征的表征能力有限。原始特征和深度特征从不同的角度表征样本,融合两种特征有望提高特征质量。然而现有的SAE网络在建模过程中并未考虑深度特征与原始特征的互补性,融合策略也有待优化,因此限制了特征融合效果。此外,现有自动编码器在特征学习过程中并未考虑样本空间信息。针对上述问题,本文拟研究内嵌式堆栈组稀疏自动编码器特征融合集成算法。将原始特征引入SAE的训练过程中,以提高深度特征与原始特征的互补性,从而提高特征的融合性能。此外,本文在自动编码器的改进和特征融合的基础上,进一步考虑样本空间的结构信息,研究基于样本聚类的内嵌式堆栈组稀疏自动编码器集成算法,实现样本-特征协同学习。本文的主要工作如下:（1）针对现有堆栈自动编码器在小样本下易过拟合导致学到的特征质量较差的问题,本文提出了内嵌式堆栈组稀疏自动编码器特征融合算法。首先,对SAE网络结构进行改进,在两个相邻的隐层间增加一个嵌入单元,将原始特征信息引入自动编码器网络的训练过程当中。其次,将改进得到的自动编码器网络学习到的深度特征与原始特征合并,并采用L1正则化进行特征选择得到最优混合特征子集。最后,对混合特征集进行随机采样,在各子空间下使用加权局部保留判别投影（weighted local preserving discriminant projection,w＿LPPD）处理特征,训练基分类器并集成。该算法通过嵌入单元使原始特征参与到网络训练当中,提高了深度特征与原始特征的互补性,并通过有效的融合策略得到高质量特征,从而提高模型的分类准确率和稳定性以及泛化能力。（2）针对现有SAE在特征学习中未考虑样本空间结构信息的问题,本文提出了基于样本聚类的内嵌式堆栈组稀疏自动编码器集成算法。首先,采用迭代式均值聚类构造多级样本空间,以挖掘样本空间的结构信息。然后,在各级样本空间中以聚类生成的新样本训练内嵌式堆栈组稀疏自动编码器特征融合模型。最后,通过决策层融合集成各样本空间下的分类结果。该算法在编码器的特征学习过程中考虑了样本空间的结构信息,同时进行样本学习与特征学习,实现了样本-特征协同学习。实验结果表明,集成多级聚类空间能有效提升分类准确率。