随着国内外专家学者对图像识别领域研究的不断深入,图像多分类任务、图像内多目标识别以及图像分割技术已经取得了长足的发展,传统领域有Gabor特征,SIFT算子,LBP算子等方法,深度学习领域有Res Net网络模型,Google Net网络模型等,其中一些算法已经被运用到日常生活当中。由于网络的普及,巨量数据可以被轻易获得。因此,对数据量要求较大的深度学习识别方法的表现越来越好,准确率远超过传统识别算法,且鲁棒性和泛化性能更佳。但是,在训练神经网络时还存在以下问题:在数据集样本缺乏或者每类样本间的比例失衡时,样本无法覆盖整个特征空间。这将导致深度学习识别算法的准确率急剧下降。在这种情况下,需要一种使用小规模数据集进行训练的方法来提高模型的准确率和鲁棒性。因此,本文提出了一种采用小规模数据集训练神经网络的方法:基于高斯核函数的像素随机迁移扩充方法。结合目前常用的样本扩充方法,合理的将样本扩充到完成训练所需的数据规模大小,解决了当样本数量不足时无法支撑深度神经网络训练的问题。本文的工作主要有以下三个方面:1、针对样本数量不足,无法完成深度神经网络训练的问题,提出了一种基于高斯核函数的像素随机迁移扩充方法。该方法主要根据高斯核函数的正态分布来随机迁移像素点的位置以完成样本的扩充,能够对所收集的样本特征进行一定程度的变换和重构,相比常规方法能够更加有效的覆盖到更完整的特征空间。在进行训练时,能够使网络能够学习到更加多样的特征,从而增加模型的鲁棒性和泛化能力。2、采用MNIST和CTW数据集进行算法验证:在保证每一类别样本的数量均衡的前提下进行模型的训练,然后比较训练原始数据集和扩充后的数据集的训练结果。实验结果显示,只选少量样本扩充后的数据集训练的网络与大量原始数据集训练的网络的收敛周期、准确率、误检率较为相近,表明扩充方法模拟原始样本真实有效。3、提出一种小目标的候选区域提取方法,结合像素随机迁移方法构建出小目标识别系统,并将其运用到生产生活中:布匹缺陷检测。采集一定数量的原始布匹缺陷样本后对该样本集进行扩充,将扩充后的样本和原始样本分别输入到网络结构中训练得到模型,并对模型的测试结果进行统计。经过统计和比较后的数据显示,采用本文扩充数据集方法训练出来的深度学习模型在提升准确率,降低误检率上有显著的提升,且鲁棒性较好。