随着深度学习研究的不断扩展,自监督学习作为一种新兴的无监督学习方法,被用于训练网络在无标注的数据集上进行表征学习,目前已经在计算机视觉领域中取得了一定的成果。为了从无标注数据中学习通用视觉特征,研究者利用自监督学习方法提出了一种常用的解决方案,即设计不同的代理任务供网络求解。同时,网络在优化代理任务中的目标函数的过程中得到了训练。然而,在现有的自监督学习方法中,研究者通常利用网络外部信号设计自监督代理任务,这将导致训练数据被拓展至原来的数倍大小,从而产生数倍于原始训练的额外开销。因此,本文就自监督学习方法、正则化方法与卷积神经网络结构进行了相关研究分析,并作出了如下贡献:1)通过改变代理任务的应用对象,利用网络内部信号进行代理任务设计,提出了基于特征转换的自监督代理任务,该代理任务通过定向抹除特征图,配合自动生成的联合标签使网络在完成监督学习任务的同时完成自监督代理任务。2)在设计代理任务的基础上,实现了基于网络内部信号的自监督训练方法,使该代理任务在网络训练中得到充分的应用。这种方法可被用来训练监督学习场景下的现有网络,以此来增强网络的监督学习表征能力,同时仅引入少量的额外训练开销。该训练方法提高了网络对局部特征的关注程度,迫使网络关注目标对象上更多的局部特征,从而实现目标对象与冗余背景的解耦,有效缓解“捷径学习”现象给网络预测带来的耦合效应。本文通过大量实验展现了基于网络内部信号的自监督训练方法可以显著提升网络的泛化性、鲁棒性和监督学习表征能力。除此之外,本文通过对不同网络结构和数据集的广泛对比研究,展现了本文的训练方法可以与现有方法兼容,同时,本文的训练方法所带来的额外计算开销可以忽略不计。