模式分类问题一直是计算机视觉与机器学习领域的核心研究内容,也是国内外学者重点研究的方向之一。作为模式分类算法的重要环节,特征的设计与提取一直以来都是模式分类相关研究中最重要的方向之一,其中如何利用机器学习算法从图像的像素中自动学习特征一直是该领域的热点研究课题。本文以目标分类为研究背景,在深度学习框架下,提出了一种深度自适应的特征提取器,并在SVM分类器的基础上提出了一种深度学习特征与图像标准特征融合的权重分类器,将其应用于红豆样本的分类与筛选问题。本文的主要研究内容如下：(1)深度学习网络的自适应结构设计方法。主要针对深度结构每层的节点数目以及层数,提出了一种网络结构自适应调整的算法,相对于原来进行试探性的层数设计,本文算法具有较好的鲁棒性,针对一般的分类问题,能够从原始样本中提取较好的特征。(2)红豆样本的多样化图像特征选择与提取。针对红豆样本以及杂物样本的图像特点,选取了颜色、形状、纹理多个特征进行分析对比。最后得出结论：颜色特征总体可分性比较好；形状特征对于合格样本与不合格样本可分性较差；纹理特征对于红豆和杂质可分性好,但对于合格样本与不合格样本可分性差。在综合考虑了各样本对最终识别效果的不同影响的情况下,提出了多特征的权重更新策略,并设置了各类特征的权重。(3)面向分类错误风险最大化的分类器结果加权多特征融合算法。根据每类特征生成的SVM训练模型得到4个分类结果,再乘以每类特征的权重即得到根据该种特征分到某一类的置信度。最后得到4个分类结果与3个权重,分别对应四种特征与三个样本类别。根据最大置信原则,最终确定分类结果。实验表明,根据本文提出的特征融合算法在分类准确率上不但明显优于单独使用常规图像特征或深度学习特征,同时也优于直接的特征加权融合策略,从而显著地降低了误判带来的损失。本文在上述工作的基础上,以软件形式建立了一个基于深度学习特征与标准图像特征相融合的目标分类系统,并将其应用于红豆样本分类与筛选,取得了比较令人满意的识别结果,为红豆分类与筛选原型机系统的研制奠定了理论与算法基础。