图像识别是计算机视觉领域热点研究方向之一,也是机器学习与人工智能的重要基础。图像识别系统一般包括底层特征提取、图像表达、分类器建模这三个步骤,其中,图像特征的提取是决定整个识别系统优劣的关键。在图像处理领域,图像特征抽取的发展,可划分为两个阶段:传统的人工设计提取特征和现阶段的深度卷积神经网络自主学习特征。然而利用深度学习自主学习图像特征的方法,是需要海量的标注数据作支撑的。关于解决有效数据贫乏的问题,目前最新的解决方向是将深度学习与迁移学习结合起来,本文在现有的深度迁移学习方法基础上,针对其在图像识别应用上存在的问题主要做了以下两个方面的改进与探讨:(1)在小样本数据集上应用现有的深度迁移学习方法进行图像识别时,针对深度迁移学习中的源模型在目标数据集上抽取的通用特征缺乏特殊性的问题,提出了基于二重迁移特征融合学习的图像识别方法。该方法是通过引入特殊特征来增强迁移特征的表征能力,最终实验表明,该方法较在小规模数据集上直接训练的卷积神经网络和基于预训练的DDC深度迁移学习方法可以获得更高的平均分类识别准确率,验证了所提出方法的有效性,同时表明这种方式得到的融合特征具有更强的表征能力。(2)在深度迁移学习中不同网络结构的源模型可以学习到不同的表示特征,针对如何充分有效利用这些表示特征的问题,提出了基于多源模型的二重迁移特征融合学习图像识别方法;选取四个经典卷积神经网络模型进行实验,结果表明,与基于单一源的二重迁移特征融合学习方法相比,该方法得到的图像识别准确率更高,能够更充分和准确的反映图像包含的语义信息。