随着科学技术的飞速发展，数据形式愈来愈趋于多样化，例如图片、语音、指纹等等。对于复杂形式数据的挖掘也越来越重要。科技的发展使得人类越来越渴望找到代替人类工作、思考的技术出现。在这种情况下，以深度学习为前提的人工智能得以发展。深度学习模型是近些年提出来的一种新的机器学习模型。深度学习通过一些含有多个处理层的计算模型来对具有多层次抽象的数据的表示进行学习。这使得不仅在最先进的语音识别、视觉对象识别、对象检测领域远远胜于其他机器学习，甚至是在药物发现以及基因组学都产生了意想不到的效果。　　深度学习模型相对于浅层学习模型具有超高的优势，它能处理原始数据中的复杂结构，并能找出它们的联系，不仅省时而且省力，这是浅层学习无法比拟的。深度学习在集成特征提取，大型数据集，技术进步方面都具有强大的优势。深度学习的应用范围也越来越广，它涉及到图像识别，语音处理，自然语言处理方面。人脸识别支付，虚拟医生等一些职能系统即将为人类带来更深刻的科技革命。　　论文基于深度学习模型，设计并改进了两个深度学习网络：（1）特征融合下的深度神经网络。它提出了一种基于稀疏自编码和卷积网络的图像分类算法。在本文的框架中，结合局部连接和稀疏自编码从图像中提取卷积特征。还结合了不同层次的不同特征以及使用主成分分析来减少组合特征维数。最后softmax层连接到网络进行分类。（2）光网络是一个纯基于Matlab的深度学习框架。它具有简便性，通用性和前沿性。它主要依靠简洁、高效的Matlab编程技术，这使得本文所有提到的计算模块得以实现。许多神经网络流行的类型，如多层感知器，卷积神经网络，递归神经网络都在光网络中得以实现。并且结合了以随机梯度下降（SDG）为基础的优化算法。