深度学习技术的飞速发展,使得机器学习算法的性能也大幅度提升,深度学习的层级结构可以学习多层次抽象数据的特征信息,通过反向传播算法指导深度神经网络模型改变内部参数,基于上一层的特征来计算下一层特征,以发现大量数据中复杂的结构。深度学习中的卷积神经网络(CNN)在计算机视觉领域中得到了广泛应用,成为图像识别任务的一个重要武器,卷积神经网络已突破传统方法的极限达到优于人眼识别的地步。在海量图像数据中,挖掘数据中重要的信息,快速有效地训练出性能良好的卷积神经网络模型也成为了重点关注问题。本文中重点是优化改进卷积神经网络模型,首先引入蒸馏学习,将复杂模型蒸馏压缩成简单模型,使得蒸馏学习后的简单模型的识别精度比使用传统方法训练的简单模型高。其次结合深度学习和传统机器学习技术,卷积神经网络对图像数据具有良好的特征提取能力,但在识别分类方面不是最优的,卷积神经网络仅利用最后一层特征,使用softmax分类器进行分类;而集成学习的分类性能良好,识别精度高,但对于图像数据这种复杂的变形的特征,难以达到好的学习效果,本文将能够学习到良好特征信息的卷积神经网络和有良好分类效果的集成学习进行结合,取长补短提高图像识别精度。本文对经典数据集cifar-10进行图像识别,首先使用传统方法训练简单模型AlexNet,之后引入蒸馏学习,对VGG16模型进行预训练得到soft target,作为先验概率指导AlexNet模型训练,识别准确率得到显著提高。其次,使用卷积神经网络多层特征和XGBoost算法相结合的图像识别方法,该方法是在蒸馏学习后的AlexNet模型基础上,提取多层特征图,采用串行融合法和PCA降维技术构成具有更多重要信息的特征向量,利用XGBoost分类器代替AlexNet模型的softmax分类器,进一步提高卷积神经网络的识别性能和泛化能力。