随着数据中图像信息的增长,对图像和视频的分析、信息提取越来越重要,如何对图像进行精准分析、分类,提高图像识别的准确率是现阶段研究人员的主要研究方向之一。人工智能技术、机器学习的快速发展和卷积神经网络的提出让图像分类领域取得了新的进展。为了更好的提高图像识别的准确度,本文对卷积神经网络中的卷积层进行了改进,并添加了通道域自注意力机制。本文主要贡献为:(1)为了提高卷积神经网络的识别准确率,提出一种基于Octave卷积层结构的OCM(Octave Convention Multilayer Perceptron)优化卷积层和OCM神经网络。和传统卷积层相比,OCM卷积层结构中添加了一个多层感知器,可以提高卷积层的非线性表达能力。和传统神经网络相比,基于OCM卷积层的OCM神经网络扩大了特征图中低频分量的感受野,提高卷积层捕获上下文信息的能力。实验结果表明,在CIFAR-10和CIFAR-100数据集上,本文提出的OCM卷积神经网络和传统模型相比,图像识别准确率分别提高了5.5%和9.8%。(2)针对通道域注意力机制Excitation操作的激活函数出现的梯度消失问题,采用了新的激活函数,函数中添加了惩罚因子,丰富通道间的非线性,加强通道间的有益信息,抑制通道间无益信息,避免了梯度消失问题,更好的还原通道间复杂相关性。实验结果表明,在CIFAR-10和CIFAR-100数据集上,和传统模型相比,图像识别准确率提高了1.3%和1.4%。(3)在小区智能车辆管理系统中,通过应用本文提出的OCM神经网络实现了车型识别模块,识别出车型信息,限制部分车辆进入小区,改善园区环境,保证小区业主的安全。车型识别的时间快,精度高,识别类别结果和概率可以直观的展示。