随着大数据时代的到来，数据被视为一种新的生产力。大数据不仅仅指单一数据量的增加，数据的结构也变得越来越复杂。这给数据分析与挖掘带来了严峻的挑战，同时激发无数学者致力于研究新的数据挖掘与模式识别方法。作为数据挖掘的一部分，数据分类以及特征提取一直以来都是研究的热点。非负矩阵分解(NMF)是一种强大的用于降维、特征提取以及分类的数据分析方法，而且已经被应用在诸多领域中。比如，文本聚类、图像识别、基因表达数据分析等。近年来，已经有很多NMF的变形，比如稀疏化、网络正则化、以及多重分解NMF模型等。然而，非负矩阵分解模型的大部分改进仍属于单层模型框架，这不足以分析日益复杂的大数据。深度学习可以通过多层结构的学习获得深度的特征，达到更精确的识别效果。然而，深度学习需要大量带标签的训练数据，模型通常被训练的很深，且其参数调节的技巧性使理论分析很困难。于是深度主成分分析、PCA网络、级联粒度森林等新的“深度”学习框架陆续出现。它们建立在主成分分析或者随机森林等经典机器学习基础上，理论分析容易、训练简单、实验效果很好。这些研究指引我们尝试构建新的深度学习框架，以浅层学习方式来逼近深度学习的效果。　　本文主要基于深度非负矩阵分解技术对数据的特征提取以及样本分类学习展开深入研究。具体而言，本文的研究主要包含以下内容:　　首先，本文提出了稀疏深度非负矩阵分解模型来学习复杂真实数据。将原始单层非负矩阵分解模型延伸到多层分解模型，并根据不同的稀疏性需求建立不同的深度非负矩阵分解模型。利用多层分解结构，我们对数据进行深入地挖掘，提取深度特征同时学习更具判别的表示矩阵对样本进行分类及预测。　　其次，为了避免非负矩阵分解经典算法收敛慢、甚至不收敛或者解不稳定的缺点，我们采用了Nesterovs加速梯度下降算法来加快算法的收敛速度。梯度下降的算法适用于并行系统，方便于大规模的优化计算，而且Nesterovs算法的收敛速度为O（1/k2）（k是迭代步数），较收敛速度为O(1/k)的传统梯度下降算法来讲，它可以大大减少算法的迭代次数。　　另外，为了分析模型处理实际数据的性能，我们进行了大量的实验，对模型结构进行优化，筛选合适的层数以及每一层子基向量的个数。为了增强模型处理线性不可分数据的能力，我们考虑了在原有线性模型中添加非线性函数。同时，我们比较了非线性函数不同施加方式的区别。　　最后，本文针对两套带有金标准的数据进行了丰富的数值测试实验。实验结果表明，我们所建立的模型相比于传统的非负矩阵分解模型不仅在分类精度上有较大提升，而且还能够更加直观地展示出分层特征提取的过程。