卷积神经网络(Convolution Neural Network,CNN)是一种具有卷积结构的深层前馈神经网络模型,不仅具有高容错性还具有高效的计算能力。当前,CNN已被大规模地应用于图像分类等重要领域。与传统的图像分类方法相比,基于CNN的图像分类方法不需经过特征提取,可直接向CNN模型输入图像,并完成图像的分类。CNN的图像分类性能与其网络深度存在着重要的关系。网络越深,CNN的拟合能力就越强;但进一步增加CNN的深度不但不能提高网络的精准度,反而会产生更高的训练误差,使CNN的图像分类性能降低。为解决上述问题,本文主要的研究工作如下:(1)本文首先引入残差网络(Residual Networks,ResNet)模型,然后基于ResNet模型,使用具有稀疏性的ReLU激活函数,最后研究不同深度的ResNet模型的图像分类性能。实验结果表明,对于CIFAR-10、CIFAR-100与Fashion-MNIST数据集,ResNet模型的分类错误率大致上随着ResNet模型深度的增加而减小。ResNet模型对CIFAR-100数据集的分类错误率明显大于对CIFAR-10与Fashion-MNIST数据集的分类错误率。ResNet模型对Fashion-MNIST数据集的分类错误率最小,分类效果最好。(2)基于ResNet模型的图像分类方法,提出了一种随机擦除(Random Erasing,RE)数据增强算法,并用RE数据增强算法来优化不同深度的ResNet模型,从而实现了对基于ResNet模型的图像分类方法的改进。通过分别采用CIFAR-10、CIFAR-100和Fashion-MNIST数据集对不同深度的ResNet模型进行测试,结果证明,ResNet模型在图像分类准确度上有了较大的提高,且ResNet模型对于遮挡具有更强的鲁棒性。(3)将基于改进的ResNet模型的图像分类方法应用于行人重识别,并将RE数据增强算法与行人对齐网络集成,且利用仿射估计分支中的空间变换网络层对行人图像中的错位进行有效的修正。通过采用Market1501、DuckMTMC-reID和CUHK03数据集测试ResNet-50模型,结果表明,行人重识别精度有了较大的提高,并降低了ResNet模型过拟合的风险,提高了网络的泛化能力。