图像分类是图像分析与处理的重要环节,是计算机视觉领域研究的热点问题。传统的图像分类算法需要人工设计特征,缺乏良好的泛化性,具有一定的局限性。近年来,深度学习因其强大的特征提取能力被广泛应用到图像分类领域。因此,基于经典的深度学习模型,本文将改进的方法应用于不同图像数据集的分类,旨在提升图像分类的准确度。主要研究内容及相关成果如下三个方面。（1）基于传统的单通道卷积神经网络,给出一种改进的多通道卷积神经网络模型。传统的单通道卷积神经网络对图像进行卷积处理后,会损失一些重要的图像特征,导致模型的图像分类性能下降。改进模型使用3类大小不同的卷积核对输入图像进行特征提取,使得模型可以提取更加丰富的特征信息,减少图像特征信息损失。采用小卷积核堆叠代替大卷积核、批标准化、Dropout、L2正则化、数据增强等方法来减轻模型的过拟合问题。为验证改进模型的分类效果,基于CIFAR-10数据集,将改进模型、单通道模型、多通道模型以及图像传统分类模型进行比较。实验结果表明,改进模型较好的提取图像全局与局部特征信息,并有效地解决了过拟合问题。（2）引入胶囊网络模型,应用于高光谱图像分类。传统卷积神经网络模型不能充分提取高光谱图像特征信息,改进后胶囊网络采用的多尺度卷积核能够有效改善高光谱图像特征信息的细节提取,并且能够充分提取特征的空间位置关系。采用改进模型对Indian Pines和Pavia University两个高光谱数据集进行分类,并与其他分类方法的分类结果进行比较。分类结果表明,改进的胶囊网络模型有较好的泛化能力,能够充分提取图像特征信息,从而提高了分类的准确率。（3）给出一种基于改进的卷积神经网络模型的中国绘画图像分类方法。传统的绘画图像分类方法过程复杂且需要专业的知识,使得图像的特征信息无法充分提取。而本文模型中加入Inception模块,提取出图像的多尺度特征,同时引入残差连接,充分利用图像的底层特征信息。为了验证改进模型在中国绘画图像分类上的可行性和有效性,将改进模型、传统卷积神经网络模型、LeNet模型、HOG+SVM算法用于对中国绘画图像进行分类。实验结果表明,改进模型可以有效提取中国绘画图像特征信息,减轻过拟合,进而提升模型的分类精度。本文分析了深度学习模型的一些不足之处,并进行改进,将其应用于各个图像数据集,对今后利用深度学习模型解决图像分类问题具有一定的借鉴意义。图[28]表[9]参[101]