随着机器学习技术的不断发展,以深度神经网络为代表的深度学习模型开始广泛地应用在图像识别,语音识别和自然语言处理等各个领域之中,并为它们提供较优的解决方案。与浅层网络不同,随着神经网络层数以及其中神经元数目的增加,深层模型往往能够描述更加复杂的函数变换,具有更强的学习能力和表达能力。尤其是它能通过观察数据进行自主学习,而不需要知道具体的解决问题的方法。但是,深层神经网络也往往比浅层神经网络更难训练。为了解决深层网络面临的计算资源和计算效率上的挑战,可采用并行计算的方式对其进行优化。本文分析了现有的一些在分布式环境下的神经网络并行计算模型,并针对其在实现策略上的不足,提出另一种基于卷积神经网络的深度学习并行算法。卷积神经网络采用“局部感受域”,“共享权重”,“池化”的思想对传统全连接的神经网络进行优化和改进,尤其在图像分类和图像识别这一类二维拓扑的学习问题中表现出色。传统意义上的卷积神经网络通常使用标准误差逆传播算法进行串行训练,随着数据规模的飞速增长,单机串行训练同样存在耗时长且占有较多的系统资源的问题。本文以手写数字的图像识别为应用场景,对卷积神经网络中的并行训练进行研究与实验分析。为有效实现海量数据的卷积神经网络并行训练,本文针对卷积神经网络提出一种基于MapReduce框架的误差逆传播并行化训练模型。该模型结合了标准误差逆传播算法和累积误差逆传播算法,采用数据并行的方式,将大数据集分割成若干个子集,在损失少量准确率的条件下进行并行化处理。同时,本文采用高斯弹性变形对MNIST数据集进行扩展,形成新的大数据集进行图像识别的测试。实验表明,该算法对数据规模有较好的适应性,在采用Hadoop分布式计算平台,并且选取了合适数目的分片的情况下,能够大大提高卷积神经网络的训练效率。