深度学习技术近年来在计算机视觉、自然语言处理、强化学习等方面取得了巨大的进展。在算法性能提升的同时,深度学习在理论支撑上并没有取得相应的进步。到目前为止,深度学习仍然被视为一个“黑箱”。由于缺乏理论指导,想要在各个理论已有基础上取得进一步的提升正在变得越来越困难。本论文从特征工程的角度出发,对现有深度学习中的自编码器模型进行改进,提出径向基自编码器模型,将高斯函数层引入自编码器模型中。该模型具备一定的理论优势,一是高斯函数具有天然的模糊逻辑属性,可以做为联系模糊逻辑理论与深度学习模型的桥梁。二是高斯函数是一种径向基函数,与机器学习中的核方法有着千丝万缕的联系。三是高斯函数作为激活函数,使得网络模型具备一定的局部逼近能力。本文的贡献与创新之处如下:(1)基于核方法,改进了经典自编码器算法,提出径向基自编码器模型,并给出了相应的模型训练算法。(2)新模型引入的高斯函数层可以转化为模糊规则层,引入高斯函数层等价于在网络中结合了基于模糊逻辑的TS模糊推理系统。实验结果也表明,这样的结合是十分有效的。在论文最后,对提出的新模型在两类数据集与三类任务(图像重构,高维数据可视化,高维数据降维分类)上进行了对比实验,在同样的实验配置下,新模型的效果优于经典自编码器算法。由于自编码器模型的特性,评价指标是多元化的。在本文的实验设置下,新模型在较复杂的fashion-MNIST数据集上重构误差最优达到了0.022,低于经典自编码器(0.028)。在设置的分类实验中,新模型的准确率为90.22%,高于经典自编码器模型(81.85%)。而从图像重构的效果来看,本文提出的算法表现远好于经典自编码器,新模型可以将图像的细节特征也重构出来,这是传统模型难以做到的。