机器学习作为实现人工智能的重要技术手段,受到了学术界与产业界越来越多的关注。特征对机器学习模型的性能有着重要影响,而表示学习是获取特征的重要手段。本文从基于自动编码器的表示学习算法入手,对已有的自动编码器表示学习方法进行分析,并比较了算法的优劣,最后针对性地提出了自己的基于自动编码器的表示学习方法。本文主要内容如下:首先,本文回顾了神经网络及自动编码器的相关知识。重点介绍了神经网络的网络结构、激活函数、反向传播算法以及训练优化算法;详细介绍了自动编码器的网络结构和几种代表性的正则化自动编码器表示学习方法,分析了这些正则化自动编码器的特点。然后,针对如何衡量表示学习的优劣这一问题,提出了一种度量自动编码器算法,算法将度量学习思想与自动编码器相结合,使得自动编码器学到的特征表示能够保持样本的度量信息。并从贝叶斯概率角度和流形学习的角度对度量自动编码器表示学习进行了分析。在mnist和cifar-10等公开数据集上的实验表明,相比于已有的正则化自动编码器算法,度量自动编码器算法具有更好的性能,识别精度更高。最后,针对图像识别中的特征融合问题,提出了Gabor特征自动编码器。Gabor特征一般可用于提取图像的纹理特征,本文将图像Gabor特征与自动编码器相结合,使得自动编码器学到的表示能够反映图像纹理信息。为了提取不同尺度和不同位置上的特征,本文采用了一种高斯金字塔和局部采样的方法。在mnist公开数据集以及车牌字符样本上的实验表明,Gabor特征自动编码器能够抓住数据的内在结构,比已有的正则化自动编码器算法识别精度更高。