随着信息技术的快速发展,互联网特别是其中的移动互联网日益成为人民群众生活中至关重要的一部分。人们越来越热衷于在各种网站上和移动应用中利用图片来聊天、发表评论,面对这些迅猛增长的图片,怎样更好的去识别这些图片,更加迅速有效的挖掘这些图片背后蕴藏的信息,显得越来越重要。因此,提高卷积神经网络对图像的识别率就是为了解决这些问题的。图像识别是图像研究领域中的一个重要研究方向,也是机器视觉中的热点研究问题,具有非常重大的意义。深度学习,近些年在图像、语音、文本等方面取得了许多成果。同时,深度学习在人工智能领域占据着掌要的地位,在日常生活中受到广泛的应用和关注。传统的图像识别方法需要人工设计特征,相对依赖图像识别经验丰富的研究学者,且传统的方法图像识别率较低。随着互联网和信息技术的发展,大数据背景下产生的海量图像数据,传统的识别方法己经不能满足我们的需求。而深度学习是多层的网络结构,通过模拟人脑,能够自动的学习和提取特征,充分发挥大数据的优势。因此,本文将深度学习和图像识别相结合,研究如何提高图像的识别率,具有一定的研究空间和研究价值。首先,本文论述了图像识别的方法和卷积神经网络的原理,同时,还研究了卷积神经网络学习的模型及其方法理论,分析了图像的特征提取方法和识别方法。其次,通过对卷积神经网络算法和图像识别方法的分析,为提高图像的识别率,本文提出了改进的卷积神经网络模型。主要内容是对卷积神经网络中的激活函数进行改进,改进的函数吸收了 Sigmoid函数的光滑性和ReLU函数的稀疏性及收敛快等特点,对提高网络泛化有一定的帮助。经过实验证明,改进模型的优势得到证实,图像的识别率得到了一定的提升。最后,为了解决卷积神经网络产生过度拟合等问题,提出了加入Dropout技术的卷积神经网络。该算法的主要思想是数据在训练时一部分激活单元被抑制,但这些激活单元在下一次训练时又可能被激活,利用这一性质弱化了神经元节点间的联合适应性,避免了过拟合问题。