图像分类和识别任务一直是机器学习领域的热门研究课题之一。而在图像分类任务中,基于卷积神经网络的深度学习方法取得了目前最优的性能。其原因在于卷积神经网络和传统的图像分类方法相比,在特征学习和提取方面有较大的灵活性。本论文主要围绕深度卷积神经网络在图像分类中的相关问题进行研究,从CNN卷积神经网络的设计、实现、训练和优化进行了说明,论文首先介绍了卷积神经网络内部的基本概念和结构,对CNN模型的内部参数和运算进行了说明。本文首先设计和实现了一个Multi-Layer CNN模型,通过验证,该模型可以显著提高MNIST数据集上的识别准确率。为了验证模型的鲁棒性,本文用训练好的Multi-Layer CNN对人工设计的手写数字图片进行分类。虽然CNN在图片分类任务上取得了非常显著的效果,但CNN的训练依赖大量的标注数据,但数据标注的获取在很多实际任务中较为昂贵。本文考虑其中的一种学习场景,即Positive and Unlabeled Learning(PU学习),设计了一种从正样本和未标注数据进行学习的算法MixPUL。MixPUL利用数据一致性正则来提升神经网络的学习性能。对于任意样本对,通过一致性正则,MixPUL约束了模型在该样本对通过线性组合产生的新样本上的预测值,与模型在这两个样本上预测值的线性组合一致。最后,本文在MNIST和CIFAR-10数据集对所提出的算法进行了验证。通过与已有最新的PU学习方法进行相比,MixPUL取得了显著的性能提升。