图像分类技术随着互联网的发展越来越趋于成熟,应用也更加广泛,能够将大规模的图像根据一定的算法进行分类识别,提高信息分类与利用的效率,同时也能够将图像的各种特征提取出来,为后续的图像信息处理奠定了基础。本文首先介绍了传统图像分类方法及其研究现状。针对传统的图像分类方法对只能处理小样本数据集分类工作,无法处理图像数量比较多的数据集的问题,指出利用卷积神经网络来处理大数据量的图像分类,并做了以下工作:(1)详细阐述了卷积神经网络的基本理论基础,介绍了人工神经网络和BP神经网络的原理,从卷积神经网络的结构出发,深入研究了各个不同信息处理层的运作原理,总结了卷积神经网络的特点,对卷积神经网络的学习算法进行了介绍,为后期实验部分做出准备。(2)以图像数据集CIFAR-10的分类预测为研究对象,实验验证了卷积神经网络对对大数据集的分类处理能力,并给出分类准确度;研究了卷积神经网络中各种因素对数据集分类预测效果的影响。(3)将卷积神经网络CNN和支持向量机SVM相连接进行图像分类。首先使用卷积神经网络CNN对图像提取特征,然后用支持向量机SVM替换卷积神经网络中的softmax层,构造了新的图像分类方法,实验结果表明,这一方法能有效地提高图像分类效果。