图像分类是指根据图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。随着智能优化理论相关研究的进一步开展,深度学习用于图像分类成为研究热点,许多研究人员对深度学习理论和方法开展了大量研究并取得良好的进展,但深度学习理论用于图像分类仍存在收敛速度慢、分类精度有待进一步提高等不足。因此,构造性能更优的深度学习算法并用于图像分类成为重要的研究方向之一。本文主要研究基于卷积神经网络的图像分类算法。本文主要研究内容包括:1.针对现有卷积神经网络在图像分类时收敛速度慢的问题,提出一种改进的卷积神经网络图像分类算法,利用遗传算法改进卷积神经网络的权重更新方式,有效提升了算法的收敛速度和分类精度。2.卷积神经网络通常采用增加网络深度的方法来提升分类精度,但网络层数的过度增加会导致网络难以训练甚至分类精度下降。针对这一问题,提出基于集成学习Bagging和卷积神经网络的图像分类方法,该方法以卷积神经网络为基分类器,通过投票的方式对卷积神经网络进行集成,在不增加网络深度的前提下,提升了图像分类的准确率。3.针对集成学习Bagging算法中的投票机制未考虑基分类器间性能的差异,导致分类效果不佳的问题,提出一种基于改进Bagging权重投票策略的图像分类方法。以袋外样本作为测试集得到的准确率作为卷积神经网络基分类器的投票权重,提升强分类器的投票权重,以改善分类效果,实验结果验证了方法的有效性。