為提高低配置計算環(huán)境中的視覺目標實時在線分類特征提取的時效性和分類準確率，提出一種新的目標分類特征深度學習模型。根據(jù)高時效性要求，選用分類器模型離線深度學習的策略，以節(jié)約在線訓練時間。針對網(wǎng)絡深度受限和高識別率要求，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HOG特征進行深層次編碼，設計Softmax多分類器對所抽取的特征進行分類。在深度神經(jīng)網(wǎng)絡模型學習過程中，引入最小化各層結(jié)構(gòu)風險和微調(diào)全網(wǎng)參數(shù)的二階段最優(yōu)化策略。利用場景圖像庫Caltechl01和手寫數(shù)字庫MNIST的訓練樣本與測試樣本進行對比實驗，結(jié)果表明，該模型在局部特征提取方面的時效優(yōu)于單層卷積神經(jīng)網(wǎng)絡（ CNN）模型，分類準確率高于CNN、棧式自編碼器等對比模型。