移动智能设备的普及迫切需要人工智能研究技术的成熟化与产品化。视觉物体识别是人工智能领域非常核心的一项基础研究。然而图像中物体视角多变、尺度不一、光影变化、背景复杂、遮挡形变等问题,严重限制了视觉物体识别的准确度,于是设计鲁棒、准确、高效的视觉物体识别算法已成为学术界与工业界的重点与难点。近年来,深度学习算法异军突起,尤其是深度卷积神经网络算法在计算机视觉领域取得了突破性的进展。视觉物体识别性能的突破驱动越来越多的研究者投入到深度卷积神经网络的研究中。视觉物体识别处理的是判别图像中是否存在某类物体的分类问题。本文所采用的方法包括数据的获取与预处理,特征的提取和选择、分类器判别三个主要过程。该识别架构的核心在于特征提取器的设计,本文沿用深度卷积神经网络自学习特征的方法,实现了较高的物体识别率。深入研究基于深度卷积神经网络的视觉物体识别算法,发现深度架构下卷积层的宽度较大不能有效保证输出特征映射图之间的差异性,降低了所提取特征的多样性,针对传统的卷积层提出特征通道卷积连接的卷积层操作;与此同时发现传统池化层中人工设计的池化模板不能保证在训练阶段最小化训练误差,鉴于此提出自学习池化模板的池化层操作,受自学习池化操作启发,提出简化卷积操作,有效减少了模型参数量,缓解了深度模型的计算压力。本文的主要贡献如下:(1)充分分析了卷积层的运算机理,提出了特征通道卷积连接的卷积层操作;(2)充分分析了池化层的设计目的,提出了自学习池化模板的池化层操作,并在此基础上,进一步提出了简化卷积操作;(3)在不同的物体识别数据库上使用不同的深度架构验证了所改进算法的有效性。