图像作为记录有效信息的重要媒介,具有非常高的保存意义和研究价值;在医学领域,医学影像更是获取病人生命体征信息的重要工具之一。图像描述是以一组数字或者符号来表示一张图像的工作,得到的数字或者符号称之为特征向量,特征向量可以被用作图像分类,图像聚类,图像检索等工作中,作为判断图像之间关系的标准。传统图像分类工作中,用到的特征都是人工设计的,因此选取合适的图像描述方法是非常关键的步骤。近年来,卷积神经网络逐渐受到越来越多人的重视,由于其结合了神经网络技术和深度学习理论,与传统图像分类方法相比,卷积神经网络具有较好的泛化能力,且对高维特征有更强的学习理解能力,目前已被广泛应用众多领域之中。本文的工作与创新点如下:(1)为了解决传统图像描述方法普遍存在稳定性及鲁棒性较差的缺点,本文提出了一种基于复杂网络理论的图像形状及纹理描述方法。本文根据复杂网络的静态统计量建立图像在不同阈值下的度矩阵,通过统计网络节点在每个状态下的度分布完成图像的纹理描述。提取图像的Harris特征点作为复杂网络模型中的节点,根据这些节点建立初始复杂网络完全图模型;利用复杂网络的动态演化过程,产生一系列子网络,通过统计各个子网络的度、联合度、最短路径长度,平均路径长度聚类系数等静态统计特征描述完成图像的形状特征提取。结合图像的纹理和形状特征,作为整体特征来描述整个图像。实验表明,该方法具有较好的鲁棒性和稳定性,以及不错的正确率。(2)为了提高在不增加较多计算量的前提下,提高卷积网络模型用于图像分类的正确率,提出了一种基于复杂网络模型描述的图像深度卷积分类方法。首先对图像进行复杂网络描述,计算每个像素与其他像素的相异程度,设定一系列阈值,并认为相遇度低于阈值的两个像素是相关的,即在复杂网络模型中的两个节点是相互连通的,得到图像RGB分量上不同阈值下的复杂网络模型度矩阵;然后,在图像度矩阵描述的基础上,通过并联的一组深度卷积网络得到特征向量;最后根据得到的特征向量进行分类。分类实验表明,该方法与原始卷积神经网络模型相比,能在增加较少的运算量的前提下,具有较高的正确率。