目前,表征学习技术广泛应用于各种图像分类、目标检测和模式识别等深度学习任务,其很大程度上提升了此类深度学习方法的性能。但是针对特定的任务,只能使用特定的表征学习方法,所提取的表征在泛化性方面存在一定的局限。本文通过设计自监督生成模型来提取语义级表征,该表征相比传统的表征学习具有更好的复用性和可解释性,并且其辅助的下游分类任务或基于语义级表征的匹配模型均有一定程度的精度提升。本文致力于语义级表征学习的研究,分别提出了语义级解耦表征生成方法和语义级拓扑信息表征生成匹配方法来提取解耦表征和拓扑信息表征。本文的主要研究内容如下:（1）提出一种基于对比学习和格拉姆矩阵的图像解耦表征生成优化方法,提高生成图像质量的同时,进一步促进表征的解耦。该方法利用循环神经网络生成具有鲁棒性的锚定样本,然后将其输入对比学习框架,以提取高效的有利于解耦和生成的语义级信息表征。此外,为提高解码器的重建质量,本文引入像素级格拉姆矩阵对输入和输出图像施加额外的约束。相关实验从三个方面验证了该方法的优势,即解耦表征的定性分析、解耦性能的定量比较和对下游分类任务的精度比较。（2）提出一种基于Caps-GAN网络和混合损失的拓扑信息表征生成匹配方法,用于解决遮挡情况下的图像匹配问题。该方法分为两个步骤:首先,提出基于Caps-GAN网络的拓扑信息表征生成方法,该方法以遮挡区域定位、语义级表征提取为驱动,借助基于自适应注意力机制的遮挡区域检测模块,通过使用胶囊生成对抗网络保留拓扑信息表征,将遮挡情况下的图像恢复成完整的目标对象图像;其次,提出基于混合损失的拓扑信息表征匹配方法,利用生成方法所恢复的完整目标对象图像进行匹配,避免空间错位,同时利用分类损失、三元组损失、边际损失和余弦相似度损失联优化匹配方法。通过将拓扑信息表征生成和匹配方法相结合,实现了图像从恢复到匹配的拓扑信息表征的一致性。传统方法只能匹配图像中可见部分的特征信息,当遮挡区域不一致时,可能会导致匹配错位。拓扑信息表征生成匹配方法可以缓解遮挡情况下的图像空间特征错位的问题,在完整、遮挡行人数据集和面部部分遮挡的人脸数据集上的实验结果验证了本文所提出方法的优秀性能,同时分别展示了生成和匹配方法的可视化图片,并进行了消融实验,验证了所设计框架的有效性。（3）设计并实现语义级表征及其应用原型系统。该系统的功能模块包括信息上传模块、语义级解耦表征生成模块、基于语义级表征的生成匹配模块和结果信息存储模块。首先,在技术层面对本系统的架构进行了阐述和分析,并根据系统的功能需求采用模块化设计思想,明确每个模块具体实现的功能。其次,详述了用户点击功能按钮后每个模块的工作流程和页面展示。结果表明,该系统运行稳定、具有良好的人机交互页面。