為提高低配置計(jì)算環(huán)境中的視覺(jué)目標(biāo)實(shí)時(shí)在線分類(lèi)特征提取的時(shí)效性和分類(lèi)準(zhǔn)確率，提出一種新的目標(biāo)分類(lèi)特征深度學(xué)習(xí)模型。根據(jù)高時(shí)效性要求，選用分類(lèi)器模型離線深度學(xué)習(xí)的策略，以節(jié)約在線訓(xùn)練時(shí)間。針對(duì)網(wǎng)絡(luò)深度受限和高識(shí)別率要求，提取圖像的局部方向梯度直方圖（ HOG）特征，構(gòu)建稀疏自編碼器棧對(duì)HOG特征進(jìn)行深層次編碼，設(shè)計(jì)Softmax多分類(lèi)器對(duì)所抽取的特征進(jìn)行分類(lèi)。在深度神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)過(guò)程中，引入最小化各層結(jié)構(gòu)風(fēng)險(xiǎn)和微調(diào)全網(wǎng)參數(shù)的二階段最優(yōu)化策略。利用場(chǎng)景圖像庫(kù)Caltechl01和手寫(xiě)數(shù)字庫(kù)MNIST的訓(xùn)練樣本與測(cè)試樣本進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果表明，該模型在局部特征提取方面的時(shí)效優(yōu)于單層卷積神經(jīng)網(wǎng)絡(luò)（ CNN）模型，分類(lèi)準(zhǔn)確率高于CNN、棧式自編碼器等對(duì)比模型。