本发明公开了一种基于隐藏层变异系数的深度无监督表征学习方法，对输入数据X先后经过训练1步GRBM训练和n步covRBM模型训练，即得到输出数据；所述covRBM模型由依次进行的可视层v、隐藏层h、重构可视层#imgabs0#重构隐藏层#imgabs1#组成；covRBM模型训练的第一个目标是最大化RBM中可视单元的对数似然函数，第二个目标是最大化隐藏层特征对应的变异系数值。本发明的方法将隐藏层的变异系数特征值纳入受限玻尔兹曼机的学习过程中，从而以无监督的方式指导隐藏层的特征分布，克服传统受限玻尔兹曼机无目的学习的缺点，增加可解释性，同时提高模型的表征能力。