| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 本文研究的目的及意义 | 第10-11页 |
| 1.2 监督学习 | 第11-12页 |
| 1.3 非监督学习 | 第12页 |
| 1.4 半监督学习 | 第12-13页 |
| 1.5 本文主要研究内容 | 第13-15页 |
| 第二章 图像特征提取的一般方法 | 第15-39页 |
| 2.1 图像特征提取概述 | 第15-16页 |
| 2.2 浅层学习算法 | 第16-22页 |
| 2.2.1 主成分分析方法（PCA） | 第16-18页 |
| 2.2.2 线性判别分析（LDA） | 第18-20页 |
| 2.2.3 基于核的主成分分析方法（KPCA） | 第20-22页 |
| 2.3 深度学习算法 | 第22-27页 |
| 2.3.1 深度学习的概念 | 第22-23页 |
| 2.3.2 受限玻尔兹曼机（RBM） | 第23-26页 |
| 2.3.3 深度信念网络 | 第26-27页 |
| 2.4 分类器 | 第27-38页 |
| 2.4.1 Softmax | 第27-30页 |
| 2.4.2 支持向量机（SVM） | 第30-36页 |
| 2.4.3 K最邻近规则分类（KNN） | 第36-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 基于深度自动编码器的特征提取方法 | 第39-54页 |
| 3.1 深度自动编码器 | 第39-43页 |
| 3.1.1 自动编码器 | 第39-42页 |
| 3.1.2 深度自动编码器的结构与训练 | 第42-43页 |
| 3.2 自动编码器的改进 | 第43-46页 |
| 3.2.1 稀疏自动编码器 | 第43-46页 |
| 3.2.2 降噪自动编码器 | 第46页 |
| 3.3 深度自动编码器的特征形成研究 | 第46-49页 |
| 3.4 实验与结果分析 | 第49-52页 |
| 3.4.1 CIFAR-10 噪声图像识别实验 | 第49-51页 |
| 3.4.2 结合不同分类器的深度自动编码器实验 | 第51-52页 |
| 3.5 本章小结 | 第52-54页 |
| 第四章 基于深度自动编码器的边际Fisher分析图像识别算法 | 第54-62页 |
| 4.1 边际Fisher分析 | 第54-56页 |
| 4.2 基于深度自动编码器的边际Fisher分析 | 第56-58页 |
| 4.3 手写数字识别实验 | 第58-59页 |
| 4.4 CIFAR-10 图像识别实验 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 结论和展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录（攻读学位期间发表论文及参加课题目录） | 第68-69页 |
| 详细摘要 | 第69-77页 |