隨著計算機視覺在實際生活中的應用，大數(shù)據時代悄然到來，數(shù)據的規(guī)模出現(xiàn)了爆炸式的增長，也對智能識別算法提出了新的挑戰(zhàn)和新的需求。采用層次化機制來表示客觀世界已經成為主流方式，其可以解釋從各種數(shù)據（如圖像、聲音和文本等）中所獲取的知識和內容。生物學上的研究也早已表明分層結構的重要性，并將其引入機器學習和深度學習等領域，并構造了許多新的結構化層次化的理論模型，如混合專家網和Ying-Yang機等。人的大腦處理和錄用信息的機制是實現(xiàn)人工智能重要的研究內容，理論學者已經得出大腦中某些初級的信息處理機制，并建立了自相關聯(lián)想記憶模型、玻耳茲曼機以及自組織拓撲映射等形式的結構。

人腦中的回路，從局部小回路到局部大回路，再到整個腦中的系統(tǒng)級回路的生理構造決定了人類思維是層次化的，因而人們認為更為復雜的分層結構一定有更加重要的作用。層次化表示是指一種簡化的模擬人類思維層次的層次化神經網絡系統(tǒng)模型，也是利用基于信息幾何的神經場學習理論解釋不同層次的神經系統(tǒng)通過前饋和反饋連接進行動態(tài)交互作用的逼近學習機制，其從整體宏觀的角度對人腦學習機制以及概念形成數(shù)學上的描述。學習的最初層次是學習大腦在視覺、聽覺等外界信息和概念的表征之間建立簡單的聯(lián)系，通過這種方式，就可以實現(xiàn)對輸入信息進行分級表達。

層次化表示應用比較廣泛的領域是深度學習領域，其需要考慮低級網絡和高級網絡相互連接的神經網絡，通過組合低層特征形成更加抽象的高層特征（或屬性類別）。例如，在計算機視覺領域，深度學習算法從原始圖像去學習并得到一個低層次表達，然后在這些低層次表達的基礎上，通過線性或者非線性組合，來獲得一個高層次的表達。神經網絡的層次化表示以其系統(tǒng)靈活簡潔的優(yōu)點，迅速在中國社會經濟的各個領域（如經濟計劃和管理、能源政策和分配、行為科學、軍事指揮、運輸、農業(yè)、教育人才和醫(yī)療環(huán)境等）內得到了廣泛重視和應用。