随着人工智能的快速发展,我们也加深了对世界的了解.机器学习能够对事物进行模型的构建,作为人工智能的重要组成部分,它有着举足轻重的作用.近年来,深度学习深受学术界的关注.深度自动编码器是深度学习算法之一,被广泛的应用于日常生活中.本文主要从改进深度自动编码器的方式和深度自动编码器与其他算法的结合方式角度进行了分析研究,并通过实验对比各种算法的差异.本文的主要内容如下:1.首先介绍了典型的自动编码器模型、稀疏自动编码器、降噪自动编码器、堆栈自动编码器等.2.接着对比分析了多种分类器的优缺点,主要包括支持向量机算法、随机森林算法、梯度下降树算法、决策树算法、K-近邻算法等.针对少样本数据集,将深度自动编码器与各种分类器分别结合,通过实验比较分析了分类效果.3.为了使深度自动编码器的特征学习能力有进一步提高,本文提出了一种基于粒子群算法和深度自动编码器的改进算法,其中心思想是:利用粒子群算法(PSO)寻求最优粒子来控制参数和栈式自编码器算法(SAE)快速提取特征.该算法通过粒子群算法寻求栈式自编码器每层神经元的最优个数,达到优化自动编码器的目的,进而使用深度自编码器进行提取特征,最后使用K-近邻算法(KNN)进行分类.本算法在MNIST数据集上进行实验,验证了该方法的可行性,并加快了整个算法的收敛速度,提高了分类的准确率以及加强了整个模型的鲁棒性.4.本文将局部二值模式算法(LBP)算法和栈式降噪自编码器算法(SDAE)相结合,提出了一种基于深度学习的人脸识别算法,该算法利用LBP算法可以消除光照和角度等的影响并且具有计算简单,效率高的优点和SDAE算法具有快速提取特征,有效去除噪声的优点,在YALE人脸库上做了仿真实验表明,该方法有效提升了模型的准确性和鲁棒性,同时加快了计算速度.