随着对图像分类算法的深入研究和硬件设施的快速发展,使得深度学习及相关技术能够更好地应用于生产实践,在农、林、渔、牧、畜等各个行业也基本实现自动化、智能化。图像识别与分类技术作为新时代智能化的基石,吸引了大量学者对图像分类进行研究。卷积神经网络是实现图像分类的重要工具,已经成为近年来的研究热点。本文对卷积神经网络的结构模型进行了深入研究,具体的工作内容如下:经典的VGG-Net应用于小数据集存在网络层次深、参数量大等问题,为解决这一问题,从架构上分析VGG-Net网络结构模型,提出一种简化卷积神经网络VGG＿10,并在VGG＿10中增加Dropout技术和数据增强,防止模型在小数据集上发生过拟合。同时将其与几种经典的CNN网络进行对比分析,通过实验证明了提出的网络模型比其它几种CNN网络具有更高的分类准确率,在图像分类上具有一定的优势。为了进一步提升网络在小数据集上的性能,研究分析了近几年提出的网络拓扑结构,如残差模块、Inception模块和密连模块。提出一种新的网络拓扑结构,并详细阐述了该模块结构具体组成以及与其它模块的区别,同时将这几种网络拓扑结构融入到卷积神经网络中,在不同的数据集上对其进行实验测试,证明了提出的网络拓扑结构具有良好的分类性能。最后将提出的网络拓扑结构和改进的VGG＿10网络模型进行融合,构造出VGG＿10＿RES网络模型,并将VGG＿10＿RES与其它典型神经网络在几个不同的数据集上进行实验分析。实验结果表明,提出的融合网络模型VGG＿10＿RES在不同的数据集上都有良好的分类效果,并且网络的整体训练时间也比较短,能够满足实际应用中的实时性要求。