机器学习算法的成功一般来说取决于数据以及数据是以什么方式呈现的。近些年来,已经有了大量的关于非监督特征学习和深度学习的研究,然而却鲜见如何结合他们所产生的特征和现有的一些对特征的操作。因此,为了填补这片知识的空白,本文主要研究了如何结合利用相关的操作生成并利用新的特征,特定的,我们在稀疏自动编码器(Sparse Autoencoder)这个框架下研究。本文采用MNIST手写数字数据库为对象,研究了自学式学习(Self-Taught Learning)框架中的稀疏自动编码器的结构和所生成的节点(特征),并提出了一种新方法来训练整个网络。在这个方法中,我们首先训练一个小规模的稀疏自动编码器,然后通过对生成的节点进行旋转或变形等操作,得到更多的节点。最后我们使用整个数据集对网络进行性能调优。这种方法避免了在传统的稀疏自动编码器当中直接对大规模的网络进行训练--这往往是非常耗时的。实验结果表明,该方法能够在保持识别准确率在同一水平(甚至更好)的前提下,在某些情况下,对速度有超过50%的性能提升。另外,更大规模的稀疏特征是有可能通过小规模的稀疏特征生成的这一现象有助于我们对稀疏特征进行更深入的理解。