伴随着新一轮的科学技术革命,人类将进入一个新纪元。传统工业中很多需要人工来手动操作的工作,渐渐地被机器所替代,工业将朝着自动化和智能化的方向发展。对不同的机械零件进行分类识别以实现自动化分拣正是顺应了这一趋势的发展。针对工业领域的生产线零件分拣系统存在识别零件准确率较低的问题,本文提出利用卷积神经网络进行零件的识别分类,主要从两个部分来进行相关研究,构建数据集和设计网络模型。在实际采集数据的过程中,由于受多种条件的限制,采集到的数据非常有限,没有足够的数据量就不能训练出较好的网络模型,针对这一问题,本文通过多种数据扩充方法来对采集到的原始数据集进行扩充,如镜像变换法、随机裁剪、高斯噪声、白化处理、改变对比度等,这在一定程度上扩充了数据的数量。要想满足数据集的多样性,并且能够训练出更好的网络模型,传统的方法过于单一。因此,本文还采用了生成式对抗神经网络来扩充数据,更加丰富了数据集的多样性,从原始的400张图片组成的小样本数据集扩充到4400张。其次是设计网络模型,本文选取了VGG网络模型为基础,分析了VGG网络模型的优缺点,然后针对VGG网络模型的不足在其基础上进行改进,调整参数,降低阶层,优化损失函数和梯度下降法等,设计出适合小样本数据集训练的网络模型。本文是基于64位Ubuntu 18.04版本的Linux系统来搭建Tensorflow学习框架和Pycharm编程环境,完成网络的设计和实验。通过将VGG模型和改进后的网络模型进行对比分析,结果表明改进后的模型在识别精度和速度上都略高于VGG模型,说明本文的网络模型是可行的。最后将本文提出的基于深度学习的零件分类方法和传统的一些方法进行比较,本文的方法更有优势,主要表现在特征提取方面,这也为工业进一步迈向自动化和智能化提供了一定的参考价值。