本文主要研究图像处理中的恢复与识别问题,基于深度学习理论,构建高效简洁的卷积网络结构,改进网络算法,并应用这些算法处理缺失图像的模式识别、图像去噪等问题.基于此,本文就卷积神经网络算法的改进和应用展开研究,主要分为三块内容:基于复合卷积神经网络的图像去噪算法,基于低秩卷积网络的残缺人脸图像识别算法,复合卷积神经网络在矩阵填充中的应用.具体内容如下:(1)基于复合卷积神经网络的图像去噪算法.因为图像去噪过程可以看成是由噪声图像到高清图像之间的一个变换,所以我们构造简洁高效的复合卷积神经网络,利用该网络学习噪声图像与高清图像之间的关系,得到基于复合卷积神经网络的图像去噪算法.算法分为两个阶段,第1阶段由2个2层的卷积网络构成,它们通过各自的模型训练出阶段2中3层卷积网络的部分权值,同时降低阶段2中网络的训练时间和增强算法的鲁棒性.最后运用阶段2中学习好的卷积网络对新的噪声图像进行去噪.实验表明该算法在峰值信噪比、结构相似度及均方根误差指数上与目前较好的图像去噪算法相媲美,尤其当噪声加剧时优势更加明显.(2)基于低秩卷积网络的残缺人脸图像识别算法.这部分内容主要研究在图像缺失情况下的人脸识别算法.首先,该算法利用截断核范对缺失图像进行矩阵恢复,补全其缺失部分;其次,借助矩阵分解将图像中的低秩信息提取出来并将其转化为卷积核模板,构建以这些卷积核模板为基础的卷积网络,提取图像中的主要特征.然后,经过二值化及直方图统计后,利用SVM对卷积网络提取得到的特征进行训练分类.基准数据库实验表明我们所提的算法比其他算法具有更好的效果.(3)复合卷积神经网络在矩阵填充中的应用.这部分内容主要研究复合卷积神经网络在缺失矩阵中的恢复算法.对于缺失矩阵来说,我们要做的就是如何利用已知信息去估计和预测未知信息,利用上文提出的复合卷积神经网络构建已知信息和未知信息之间的映射关系,然后通过映射达到估计未知信息的目的.标准图像的实验表明本文所提的算法具有一定的恢复效果.