随着科学水平的提升,“5G通信”、“工业4.0”和“物联网”等新技术的提出和实施,数据信息量也随之增多。大数据时代的来临,带来的更多是对数据处理的问题,如何利用海量的数据去更好的服务人类是一个新的课题。近年来,深度学习逐渐崭露头角。深度学习是人工智能的一个分支,主要应用在基于大数据对复杂问题求解与分类问题上。深度学习是机器学习中一种基于对数据进行表征学习的方法,深度学习的优点是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。本文的工作以及创新点包括:1.基于神经网络在面对明确的问题求解时,其参数设置与策略方式等缺乏理论依据指导。本文基于Let Net5模型对网络模型中的滤波器个数、池化策略、激活函数、正则化策略进行实验对比,为卷积神经网络模型参数与设计给出实践数据。2.传统卷积神经网络的卷积提取部分是随机生成卷积核进行特征提取,为保证网络模型特征提取的多样性,本文给出了多特征提取的网络模型,其多特征提取结构为“Gabor特征+CNN特征+WT特征”。由于多特征提取导致数据量增大,因此给出基于不同特征融合算法的两种模型,分别采用了PCA特征数据融合与多特征串行融合算法,最终通过数据集验证设计网络模型的可行性。3.针对卷积神经网络通过线性特征映射取得分类结果这一缺陷。对其分类器进行优化,先挑取机器学习分类算法,对随机森林、GNB、SVM、线性判别等分类算法在Caltech101数据集下进行实验对比,根据实验结果选取了支持向量机和改进后的卷积神经网络融合,设计混合模型网络模型并验证可行性。4.针对卷积神经网络训练过程中的特征损失、特征信息提取的局限性以及需要大量数据训练模型,本文在结合多特征提取的卷积神经网络模型与胶囊神经网络进行融合设计,为了保留细节信息从而简化卷积网络中的特征降维部分,并利用胶囊神经网络提高混合网络模型的泛化能力,增加空间关系判断能力,使两种网络模型优点互补,并对胶囊网络单独做出改进,给出5种不同挤压函数,并对重构网络进行实验对比,优化最终的混合网络模型并通过数据集验证可行性。