伴随着计算机算力和互联网数据量不断地增长,深度学习在计算机视觉、自然语言处理、语音识别等多个领域取得了巨大的成功,但缺乏可解释性严重限制了其在现实任务尤其是安全敏感任务中的广泛应用。而统计学习模型具有较好的解释性,计算量小,且相较于深度学习有更高的鲁棒性,但统计学模型在稀疏数据上比如图像识别任务中的性能远远低于深度学习模型,导致使用统计学习模型的人越来越少。当深度学习模型的性能触及瓶颈的时候,深度学习可解释问题变得越来越重要,相关研究也越来越多,其中有不少研究借助统计学习模型的可解释性去解释深度学习模型,但这些研究并没有彻底解决深度学习可解释性问题,深度学习可解释性仍然是个开放问题。与其提高深度学习模型的可解释性,为何不反其道而行之,使用深度学习的特性来提高统计学习的性能?本文借鉴深度学习的特性来改进统计学习模型的性能,从而设计出具有深度学习特性的统计学习模型。本文的主要贡献及创新点如下:1.本文选择卷积神经网络中较为重要的四种特性进行研究:1)平移不变性,2)稀疏学习能力,3)特征捕获,4)背景过滤。然后使用统计学习算法去模拟这些特性:使用卷积算法实现平移不变性,通过最近邻算法实现稀疏学习能力,使用聚类算法实现特征的捕获,通过数理统计实现背景的过滤,从而设计出具有深度学习特性的统计学习模型。2.在模型的实现中,通过实验验证了卷积计算能提高相似度算法的准确性;将同类样本中相似的部分定义为图像的特征,并通过聚类算法求解这些特征;计算全体样本的方差并将低于阈值的方差所在位置定义为静态背景,计算同类样本的方差并将高于阈值的方差所在位置定义为随机背景。3.本文使用两个基准数据集MNIST和CIFAR-10对本模型、CNN和K-近邻这三种模型做了对比实验,实验结果表明:我们的模型性能要好于普通的统计学习模型,计算量和鲁棒性优于深度学习模型。然后对模型的可解释性做出分析,并对模型每个步骤的计算结果用图表形式进行了直观的展示。最后研究了模型的超参数对于模型性能影响,并在这些实验的基础上提出了模型的改进空间。