目前,在互联网领域人工智能无疑是当下最热门的技术之一。人工智能的发展得益于机器学习领域的不断推动,尤其是深度学习的突破。目前,基于深度学习神经网络的图像识别方法已经在识别准确率上获得了令人满意的效果。但随着自然图像场景复杂度的增加,同类别图像之间欧式距离差异性的降低,此类方法往往需要通过扩大训练样本量,加宽网络结构,加深网络层数才能获得理想的识别效果。同时,由于深度学习可以在不理解数据的情况下利用数据进行学习,因此此类方法面对数据中难以察觉的扰动具有较差的稳定性。深度学习的黑盒模型特征使其无法对做出的决策进行解释,在很多领域的应用就会因为无法获得更多可靠的信息而受到限制。针对以上问题,本文提出了一种基于基元特征分析的图像识别方法,设计了一个语义胶囊融合网络,此网络包含一个语义胶囊网络模块和用以辅助该方法的一个简单的卷积神经网络模块。在语义胶囊网络模块中,我们首先感知由人类先验知识定义的语义基元,分析其特征作为语义胶囊并输入胶囊网络中的DigitCaps层。卷积神经网络模块用来学习语义基元难以描述的特征。大量仿真实验证明本文提出的语义胶囊融合网络能够在更少的训练样本量下,利用更简单的网络结构,获得更高的训练速度和更强的可解释性,达到更好的图像识别性能。本文主要工作包括:(1)本文首次提出了图像语义基元的概念,同时介绍了图像语义基元的感知方法,为图像编码带来了一种新的方式,更加便于后续图像识别等任务的完成。(2)受到胶囊网络的启发,本文提出了语义胶囊的概念,将图像的语义特征信息存储在语义胶囊中,一方面便于后续识别网络的整体搭建,另一方面,也使得网络识别过程具有语义特征,增强了可解释性。(3)搭建语义胶囊网络,并经过探索,设计了语义胶囊融合网络,将人类先验知识与传统神经网络相结合,设计了融合函数,使语义胶囊网络与卷积神经网络协同工作,优势互补,使网络发挥出更佳性能。(4)在MNIST手写字符数据集上进行了整体仿真,考虑了数据集自身的特点,仿真实验结果验证了本文方法在训练数据量和网络参数量方面的优势。