随着大数据的数据量呈指数增长,人们必须处理和分析越来越多的数据。观测和感知的手段的多样使得被观测的对象呈现出丰富的细节。由于数据处理需要最有效、最全面、最简洁地提取目标特征,所以,维数约简（降维）技术面临的挑战有:（1）数据过多的维数细节导致维数灾难的问题;（2）由于数据的标签可能存在噪声,基于数据标签的降维方法可能导致在执行其他机器学习任务时表现不好;（3）面向不同类型、不同维度、不同应用领域的数据,需要有针对性的调整不同的降维策略。本文借助两种不同的计算机视觉任务,充分探索了无监督稀疏自编码的降维能力,之后又将无监督稀疏自编码的降维技术用于增强目标检测。主要研究内容包括以下几个方面:1)稀疏自编码的特性及其降维性能。本研究探索了无监督稀疏自编码的迭代次数与输出损失程度之间的关系,并展示了相应的恢复数据。此外,使用了无监督稀疏自编码和其他经典的降维方法约简几个开放数据集的维数。最终对使用无监督稀疏自编码降维后的低维数据进行分类,验证了无监督稀疏自编码在数据分类任务方面的性能。2)面向社交媒体图像理解的稀疏自编码降维。社交媒体上图像常常被附以多种非专业的标签。针对这一问题,本文使用无监督稀疏自编码对社交媒体的图像手工特征进行降维,用以辅助对社交媒体图像的自动标注。同时,考虑到社交媒体图像的多个标签具有相关性,本文充分利用这一统计特性辅以社交媒体图像理解任务。最终验证了无监督稀疏自编码在社交媒体图像理解任务上的应用价值。3)面向无人机目标检测增强的稀疏自编码降维。针对无人机目标检测任务中的目标置信度过低且检测效果不佳的问题,本文使用稀疏自编码降维对目标检测结果进行分析。将检测到的目标的HOG特征提取出来,使用无监督稀疏自编码提取出低维HOG特征。之后使用分类器进行二次分类,对于检测结果和分类结果一致的目标置信度进行加成,最终提出一种适用于无人机目标的复合检测系统,并进一步讨论了置信度加成对检测结果的影响。