卷积神经网络（Convolutional neural network,CNN）是一种经典的人工神经网络模型,是深度学习领域中表现能力优越的人工神经网络之一,在计算机视觉领域得到广泛的应用,如图像分类、目标识别、图像分割、语义识别等,卷积神经网络的发展极大的促进了人工智能等现代科技的研发和推广,具有深远意义。卷积神经网络模型的良好表现力,很大程度上依赖于网络模型的深层次结构,有利于提取更多的特征信息。然而,网络模型的加深,意味着卷积核数量的增加,从而导致网络学习过程中产生大量训练参数,占用内存且消耗计算资源;此外,由于卷积核不具备视觉细胞感受野的方向特性和时空频率特性,将卷积核作为感受野不能完全模拟人类视觉感知机制。针对卷积神经网络的不足之处,本文提出了模拟视觉神经元特性的Gabor卷积神经网络计算模型,该模型的创新之处如下:首先,利用二维Gabor卷积核的计算模型,构建了二维Gabor卷积神经网络。利用二维Gabor滤波器符合人类视觉初级皮层细胞的视觉感知特性,使用提出的二维Gabor卷积核模拟人类视觉感受野获取方向信息和时间频域信息等;建立了二维Gabor卷积神经网络,讨论了通过反向传播的学习方法获取反映视觉属性的Gabor滤波器参数（如方向、频率等参数）,从而实现了对图像空间信息的分析,以及图像中不同对象的识别。其次,提出了三维Gabor卷积核的计算模型,建立了基于三维Gabor卷积核的三维Gabor卷积神经网络。该网络在二维Gabor滤波器的基础上,根据视觉处理皮层神经元的时空不可分特定,建立了三维Gabor滤波器,分析了该滤波器各参数的作用,利用三维Gabor卷积核构建了三维Gabor卷积神经网络对视频序列信息进行分析,提取时空信息和光流信息,从而实现对视频数据量中的动作识别。最后,建立基于二维和三维Gabor卷积核的神经网络实验系统。基于二维Gabor卷积神经网络和三维Gabor卷积神经网络,分别建立图像分类实验系统和动作识别实验系统,通过在公开图像数据集CIFAR10、Cat＆Dog、Mini-imagenet和动作识别数据集KTH上进行测试,实验测试结果表明本文提出的建议网络模型具有较好的网络性能。本文关于Gabor滤波器和卷积神经网络结合的研究,是基于相关的理论基础所提出的构思。通过实验验证,Gabor滤波器在二维层面和三维层面均有应用价值,将其与表现优越的卷积神经网络结合,能够相互补充,从而体现出两者的优势。因此,本文所提出的建议网络模型具有较强的有效性和完整性。