特征提取 (FE) 与表示学习 (RL) 不同，但它们相似且相关。

您准确地描述了特征提取通常指的是什么，即从现有特征或原始数据（例如图像）中提取（新）特征的过程。例如，假设您有一个与汽车相关联的数据集。您的数据集中只有两个特征：距离和速度。但是，从这两个中，您可以提取第三个特征，例如加速度。因此，可以使用固定算法（例如用于降维的 PCA 或SIFT）或手动执行特征提取。

表示学习是从数据中自动提取特征的所有技术的集合（即它们学习特征或表示，因此称为表示/特征学习）。因此，例如，在 ImageNet 上训练的卷积神经网络可以（和/或需要）学习一般特征以解决相应的分类任务。（ Goodfellow 等人的《深度学习》一书的第 9 章更多地讨论了这个主题。）这些特征是从数据中学习的（这就是 CNN 是数据驱动的原因），它们以后可以用于迁移学习 (TL) ，即TL是基于神经网络学习一般的思想可用于解决其他任务（有时称为下游任务，尤其是在自我监督学习的背景下）的数据表示（因此是特征的同义词）。

Yoshua Bengio 等人。将表示学习定义如下

学习数据的表示，在构建分类器或其他预测器时更容易提取有用信息

因此，RL 是 FE 的一个子集，因为 RL 也提取特征，但 RL 强调自动提取特征。