深度学习作为近年来兴起的一种图像分类方法,其网络模型结构复杂、输入数据样本有限,容易导致模型过拟合、训练时间长等问题。本文旨在提高卷积神经网络模型的分类正确率、缩短模型训练时间以及改善模型过拟合现象,主要做了以下研究:首先对卷积神经网络模型的训练过程进行研究,分析权值参数初始化的方式对模型分类准确率的影响。通过实验证明预训练网络模型比随机初始化权值对图像分类的正确率高。针对AlexNet模型和VGG网络模型的结构特点,对卷积神经网络模型的最后一层全连接层的权值参数分布进行分析。接着,针对深度学习训练时间长的问题,研究了多模型融合的卷积神经网络结构模型。分别在Caltech-101数据集和2017百度图像竞赛数据集上进行实验,实验结果表明,多模型融合的卷积神经网络分类正确率要高于单模型。最后,针对训练样本数据量少导致分类正确率低的情况,提出优化分类的数据增广方法,对分类效果不好的单个类别进行数据增广,进而提高整体分类正确率。论文工作表明,基于多模型融合的卷积神经网络以及基于优化分类的数据增广方法均可以提高图像分类的正确率。