卷积神经网络是近年来兴起的一种人工神经网络与深度学习理论相结合的模式识别方法,目前已经成为图像分类领域中的研究热点之一。与传统的图像分类方式不同,卷积神经网络不需要针对特定的任务对图像提取具体的手工特征,而是模拟人类的视觉系统对原始图像进行层次化的抽象处理来产生分类结果。该方法采用局部感受野、权值共享和空间采样技术,使得网络的训练参数相比于神经网络大大减少,而且对图像具有一定程度上的平移、旋转和扭曲不变性,己广泛应用于语音识别、人脸识别、手写体识别、行人检测等应用领域。将卷积神经网络运用到图像分类领域,与传统的图像分类方法相比,具有更高的识别率和更广泛的实用性。因此,卷积神经网络的研究具有重要的理论意义,同时,将卷积神经网络应用于手写体数字识别、人脸识别和植物叶片识别等研究,具有重要的实际应用价值。本文从卷积神经网络的基本概念和算法入手,深入研究卷积神经网络理论,拟在传统的神经网络结构基础上改进其固定结构,并基于此理论算法进一步开展了手写体数字识别、人脸识别和植物叶片分类应用的研究。论文的主要工作如下：(1)整理和总结了人工神经网络和卷积神经网络的国内外研究现状,介绍了卷积神经网络的基本概念和基本原理,详细阐述了其基本结构和网络参数,指出了目前卷积神经网络的一些优缺点。(2)由于传统的卷积神经网络结构是应用在手写体数字识别上的,本文将网络结构进行一些细微的调整以适应人脸图像的大小以及具体人脸数据库的类别数,此外设计了适应本系统的卷积核和激励函数。并通过实验证明了卷积神经网络比传统模式识别方法更高效的识别性能。(3)针对传统的卷积神经网络缺乏对具体问题的网络配置设计理论,网络的设计往往按具体问题根据经验来设计,而且其结构都是由人工实现设定的,其神经元数目和连接数都是固定的不能进行任何调节的问题。本文提出了一个动态生长的卷积神经网络结构,使其自动找到适合于应用需求的合理结构。此外,针对卷积神经网络中存在的过多的训练反而令识别性能下降的过拟合问题,本文采用一个主动的样本学习方法来构造有效的训练集。结合这两种方法通过实验验证了其能比传统的卷积神经网络取得更好的效果。