在人工智能领域,由机器自主实现事件分类与物体识别是一个最基本但也最具有代表性的问题。对此问题的攻克将在人工智能的发展中具有里程牌的意义。经过多年的探索,研究者们通常认为两类因素对机器分类识别性能具有重要的影响。它们是抽象特征与求解算法。其一,事物的抽象特征作为计算机了解其性质的唯一渠道,为计算机可能达到的智能水平划定了上界。其二,对于给定的抽象特征与具体问题应用场景,求解算法的优劣决定了计算机接近其潜在智能水平上界的程度。因此,多年来关于抽象特征提取以及求解算法构造的研究一直是人工智能领域研究的重点与热点。在本文中,首先从针对机器分类识别任务构造求解算法的角度出发,利用特征空间局部线性提取的相关技术,对原有研究中提出的算法模型进行了改进与总结,设计了基于特征空间局部线性提取的拟线性支持向量机方法。其次,通过结合深度学习技术在抽象特征提取方面的重大突破,本文对所提出算法的适用场景进行了分析与仿真实现。主要的研究成果与结论可以概括如下:1、本文通过对拟线性核函数中的门限基函数效果进行可视化,展现了拟线性支持向量机的内在工作原理。并结合实验分析表明了原有局部划分手段的局限,从而引出本文所改进方法的意义与价值。2、拟线性支持向量机作为一类非线性核支持向量机其实包含了一个核函数的构造过程。与传统核函数的不同在于,针对不同的问题,所构造的核函数具有自适应的表现形式。本文通过设计算法,并经由仿真实验分析表明,利用本文所设计的核函数构造方式可以有效提高拟线性支持向量机的分类识别精度。并且,由于核函数通过特征空间局部划分得到的信息构造而来,使得拟线性支持向量机的性能受超参数的影响较小,可以回避耗时的交叉验证过程。3、基于深度神经网络的抽象特征表示由于其能显著提升计算机智能水平的上界在最近的研究中受到了广泛的关注。尽管利用深度学习技术取得了诸多领域内的最佳性能,但在性能提升的背后一个重要因素不容忽视,即大量的有标签数据样本。但大多数现实数据中,带有标签的数据样本较少,使得深层神经网络的训练容易产生过拟合现象。本文通过对基于自编码器以及迁移学习的拟线性支持向量机进行仿真比较,表明在小样本情形下该方法可以提升计算机的分类识别精度。