1、特征學習是機器學習中一個重要研究方向，好的特征可以提供數(shù)據(jù)的語義和結構信息，使簡單的任務模型也能取得良好的學習效果。區(qū)別于使用淺層的觀測特征和人工設計特征的方法，深度學習是一種可以從數(shù)據(jù)中自動學習特征的方法，其所學習到的特征往往具有較高的抽象性和語義性。通過逐層變換，深度模型可以在不同層抽象出數(shù)據(jù)的不同表示，從而很好的適應于機器學習的各種任務中?，F(xiàn)有的深度學習方法大多采用特征變換、非線性操作和特征選擇（約簡）的多層迭代模型，所解決的問題

2、也多集中在具有二維空間結構意義的領域，而對于一般的向量特征卻尚無有效的應對方法。
　　為解決普通向量特征的學習問題，本文構建起一個通用有效的級聯(lián)深度模型。為此本文首先對模型中用到的特征選擇方法進行了研究，提出了基于L2, p范數(shù)約束的非凸正則化特征選擇模型，給出了非凸問題的求解算法。由于發(fā)掘并利用了樣本特征空間內相互表示的特性，該方法可以有效的進行特征選擇的任務。
　　其次，通過組合一種通用的特征變換方法和所提出的特征選擇方