慢特徵分析(Slow Feature Analysis, SFA)是一種基於非監督學習的深度學習算法，主要用於識別時間序列中緩慢變化的特徵。該算法的核心思想是「慢性原則」，即在變化過程中，某些特徵變化較慢，例如，在視頻中，物體的位置和大小變化可能很快，但物體的某些特徵（如移動軌跡）變化較慢。SFA通過學習這些緩慢變化的特徵，提取出輸入信號中的有用信息，適用於計算機視覺等領域，如姿態估計、自動駕駛和智慧型交通等。
SFA基於線性因子模型，通過求解閉式解進行高效訓練。它要求學習特徵具有零均值和單位方差，並且需要滿足去相關和排序的約束條件。這些約束確保輸出信號攜帶有用信息，避免簡單的解決方案導致輸出信號變為常數。SFA模型可以通過矩陣分解得到解析解，並且可以套用於具有線性特徵提取器的模型。
儘管SFA具有嚴格的數學基礎和高效的訓練方法，但其套用範圍相對局限。在計算機視覺領域，SFA在姿態估計等方面有一些套用，但仍需進一步深入了解和套用實例來推廣其套用。