随着互联网技术的蓬勃发展，各类数据正在以前所未有的速度被产生，而人们收集数据的方式也是各种各样，因此，数据普遍具有规模大、结构复杂和维数高等特性，这就导致大数据存在以下问题:存在许多与给定任务无关或弱相关的特征，存在许多对于给定任务来说冗余的特征，存在噪音数据等等。如何从海量信息中去除冗余、噪音特征，是特征降维技术研究的主要目标。　　深度学习是近年来兴起的一个研究热点，通过组合低层特征形成更加抽象的高层表示，从而学习出原始特征空间的不同粒度的特征表示。本文将深度学习中的自动编码器技术(Autoencoder)与迁移学习技术结合，提出一种面向多源迁移学习的Autoencoder特征学习算法，提出一种可以利用类标信息的面向迁移学习的深度Autoencoder特征学习算法。同时，本文也基于Map/Reduce框架对传统的基于粗糙集理论的特征选择算法进行并行化，从而达到处理大数据的需求。本文的具体创新成果总结如下:　　提出了一种基于Autoencoder的特征学习技术，并将其应用于多源迁移学习中。Autoencoder是一种尽可能复现输入信号的神经网络，给定一个神经网络，假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重，Autoencoder的目标是最小化重构误差，能够最大程度的还原输入信号，因此Autoencoder能很好的学习到原始信号的低维表示。本文首先利用Autoencoder对所有领域数据进行特征学习，不同领域共享权值矩阵，实现知识迁移，然后在映射后的空间利用逻辑回归等分类算法训练分类器，并利用一致性约束准则进行约束，保证多个分类器的预测结果尽可能一致。实验结果证明，该模型应用于迁移学习中，可以有效的提高学习效率。　　提出了一种可以利用类标信息的基于深度Autoencoder的特征学习技术，并将其应用于迁移学习中。Autoencoder在特征学习上有明显的优势，但是，Autoencoder是一种非监督的特征学习方法，无法利用样本信息，本文中提出一种基于深度Autoencoder的特征学习模型，在该模型中包括两个编码层:第一层用于特征学习，在这一层中，利用KL距离对输出进行约束，保证源领域和目标领域在映射后的特征空间尽可能相似;第二层是类标层，它的节点个数等于类标数，在这一层，引入类标信息，并利用多类回归模型进行约束，保证模型对输入的分类结果尽可能准确，因此，该模型可以很好的处理多类分类问题。实验结果证明，该模型应用于迁移学习中，可以有效的提高学习效率。　　基于Hadoop框架，实现一种基于正逼近的特征选择并行算法。基于正逼近的特征选择算法(FSPA)被认为是传统的基于粗糙集的特征选择算法的加速器，FSPA能在保证选取相同的特征子集的前提下，明显的缩减计算时间。但FSPA也是内存常驻的，每次计算特征重要性时都需要扫描整个数据集，然而，在大数据时代，数据普遍具有规模大、结构复杂和维数高等特性，很多传统的基于粗糙集的特征选择算法都无法处理。本文提出一种基于Map/Reduce的并行FSPA算法，实验证明该算法可以高效地处理高维和大规模数据，并具有良好的加速比和伸缩性。