| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第11-12页 |
| 缩略语对照表 | 第12-16页 |
| 第一章 绪论 | 第16-32页 |
| 1.1 研究背景及意义 | 第16-17页 |
| 1.2 自编码器研究现状 | 第17-21页 |
| 1.3 相关背景知识介绍 | 第21-29页 |
| 1.3.1 自编码器及稀疏自编码器 | 第21-25页 |
| 1.3.2 集成学习与提升方法 | 第25-27页 |
| 1.3.3 图像的稀疏表示理论 | 第27页 |
| 1.3.4 图像去噪与分类任务 | 第27-29页 |
| 1.4 本文工作 | 第29-30页 |
| 1.5 章节安排 | 第30-32页 |
| 第二章 基于稀疏自编码器的图像去噪研究 | 第32-44页 |
| 2.1 图像稀疏先验的引入 | 第32-35页 |
| 2.1.1 稀疏编码与稀疏正则 | 第32-34页 |
| 2.1.2 稀疏过滤 | 第34页 |
| 2.1.3 稀疏诱导层设计 | 第34-35页 |
| 2.2 基于稀疏表示的稀疏深度去噪模型 | 第35-37页 |
| 2.3 稀疏诱导自编码器（SparsityAE）算法设计 | 第37-39页 |
| 2.4 实验及算法性能分析 | 第39-43页 |
| 2.4.1 图像去噪评价指标 | 第39-40页 |
| 2.4.2 实验结果与算法性能分析 | 第40-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第三章 基于稀疏自编码器与集成学习的图像分类研究 | 第44-58页 |
| 3.1 基于稀疏自编码器的集成特征学习 | 第45-48页 |
| 3.2 基分类器集成策略 | 第48-49页 |
| 3.3 集成稀疏特征学习（BoostingAE）算法设计 | 第49-50页 |
| 3.4 实验及算法性能分析 | 第50-56页 |
| 3.4.1 数据集选择 | 第50-52页 |
| 3.4.2 实验结果与算法性能分析 | 第52-56页 |
| 3.5 本章小结 | 第56-58页 |
| 第四章 总结与展望 | 第58-62页 |
| 4.1 总结 | 第58-60页 |
| 4.2 展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |