随着社会的发展,科技的进步,信息化程度加深,人们生活中不断产生着蕴含着大量信息的数据,但同时也存在着更多地冗余信息。研究如何从海量的数据中快速的提取出所需要的有价值信息,并应用于不同的任务,这无论对于国防或者民生领域,都具有重大意义和作用。但是,实际应用中的数据不仅形式多样,结构复杂,变化性强,并且特别“大”,即不光数量大,而且维度高。在这种情况下,对于这种大数据的高效特征学习的问题极具挑战。最近,深度学习在很多与人们生活息息相关领域的任务中都有着非常惊人的表现,甚至超过了人类的表现。对于数量巨大的高维数据,深层模型可以层次化的学习数据中的潜在特征,并将数据特征更加精细的分层的表示出。也正是这种层次化的特征表示,使得深层模型很适合处理这类数量大,维度高的数据。本文围绕大数据情况下的特征学习任务,将深度学习领域的高性能模型结合其他领域的特点应用于各种国防,生活领域的任务中。对论文的主要内容做如下概括:1.雷达目标识别技术对于我军的战斗力提升和国防的稳固都有着不可替代的作用。而基于雷达高分辨距离像(HRRP)数据的雷达目标识别问题,因其具有快速便捷的特点而受到了这一领域研究人员的广泛关注。针对HRRP目标识别任务中存在的方位敏感性问题,本文提出了一种用于HRRP目标识别的条件生成模型,以多层感知(MLP)作为后验近似分布的充分统计量,学习识别表征,充分编码观测数据特征的多变性,从而为雷达HRRP数据的目标识别任务提供了提高整体识别性能的潜力。考虑到方位敏感性问题,通过重构平均距离像,对模型进行了正则化,使得模型学习描述平均距离像结构的特征。然后引入三维权重张量来捕捉类别信息与HRRP样本之间的乘性相互作用,并对其进行进一步分解,以有效地降低模型参数量。对实测的HRRP数据进行了大量的实验研究,实验结果表明该算法具有较好的目标识别和重构性能。2.针对基于HRRP的雷达目标识别任务中的目标平移敏感性问题,本文结合变分自编码器(VAE)的基本原理,探讨了将隐随机变量引入循环神经网络(RNN)隐藏状态的方法。通过在隐状态使用更加灵活的隐随机变量,使得模型可以更好的建模在HRRP等高度结构化的序列数据中观察到的多变性;同时利用时序模型建模HRRP样本内部的时序相关性特征,更好地帮助HRRP数据的目标识别。进一步,为了引入样本类别信息,本文利用条件先验理论,使所学到的隐空间是条件于样本类别的,这样将模型改进为有监督模型,使其适用于滑窗截取后HRRP时序数据的识别任务。为了减少模型参数,加快计算速度,本文进一步对模型的权值进行了分解操作。本文在时序数据上证明了模型的时序数据预测能力和实测HRRP数据上验证了模型的目标识别能力。3.压缩感知(CS)理论是解决待传输,存储,处理数据量过大的有效方法之一。压缩感知的目标是利用数据相关域中向量结构的先验知识,从带噪声的线性测量的欠定系统中估计出原始向量。现有的一些方法,例如基于特定域生成模型的CS算法,不像传统基于稀疏先验的CS算法,它们可以减轻对信号结构稀疏性和恢复观测数目的要求。但它们是基于两阶段的恢复策略,在训练好的生成模型作为数据先验的条件下,通过在特定域内搜索最优输入来保证模型的精确恢复。针对基于特定域生成模型的CS算法中存在的图像恢复速度慢,观测中信息利用不充分的问题,本文提出了一种基于变分自编码(VAE)和生成对抗网(GAN)的联合训练推理模型、生成模型和判别模型的方法。这样,观测中的信息会影响到特征的学习和原始图像的生成,而这在以前的模型中是被忽略的。此外,借助于推断网络,本文所提模型能够通过快速映射而不是迭代优化来进行测试数据的恢复。对于大型图片恢复问题,为了充分利用观测中所保留的信息,本文还提出了一个深层的条件生成模型,以实现更好的结构化输出,恢复原始图片。在图像的标准数据集上,与现有的基于生成模型的CS恢复算法相比,在不同的观测率的条件下,本文所提模型在重构误差和时间复杂度方面都有了显著的提升。与传统的CS方法相比,在观测维度极少的情况下,本文所提模型具有很大的性能提升。