文摘针对K均值(K-means)算法对形状特征复杂的图像数据集分类效果差,不能更好地对堆叠胶囊自编码器算法提取的图像特征进行分类的问题,提出基于支持向量机的流形正则堆叠胶囊自编码器(support vector machine-stacked capsule autoencoder based on manifold regularization,SVM-MRSCAE)优化算法。针对不同编码类型,对部件胶囊自编码器采用线性自编码器、卷积自编码器和基于自注意力机制的卷积自编码器进行对比,确定表现优异的编码类型;采用基于不同核函数的支持向量机对图像数据集进行分类,通过对不同核函数进行对比实验,获得更精确的分类结果。在加入不同噪声类型的MNIST和Fashion MNIST数据集上进行实验,发现相比于流形正则堆叠胶囊自编码器结构,SVM-MRSCAE模型分类准确率分别提高了0.0099和0.2026,说明该模型获得了更好的分类精度。