随着人工智能的迅速发展,深度学习方法结合图像处理技术已广泛应用到日常生活的各个方面。本文针对家具图像数据的多样性和复杂性,以基于特征融合的卷积神经网络家具图像分类技术为题,重点研究了家具图像的预处理、家具局部特征提取及基于卷积神经网络的特征融合、细粒度家具图像分类等内容。论文主要工作包括:1.家具图像预处理方面,首先针对采集到的家具图像因背景杂乱制约了卷积神经网络的分类性能的问题,本文利用GrabCut算法先对家具图像进行背景分割。然后为自动生成适于卷积神经网络的尺寸归一化数据,利用检测到的家具轮廓宽高与目标生成图像宽高之间的几何关系,进行等比例缩放,使其尺度归一化,再按规则命名写入到指定的文件目录下。该预处理自动化过程有效降低了手动处理家具图像的工作量。2.家具图像局部特征提取及基于卷积神经网络的特征融合方面,基于AlexNet卷积神经网络模型提出将LBP、HOG局部特征在全连接层与全局特征进行融合的特征融合算法,并研究了融合权重的学习算法。仿真结果表明本文特征融合算法能够更好的描述图像的基本特征,提高家具图像分类的准确率。3.针对相似家具间的分类准确率较低的问题提出一种改进的细粒度Bilinear-CNN模型,将卷积神经网络和LBP以双线性的函数关系融合成Bilinear特征,实现全局特征与LBP特征在空间位置上的交互、融合。仿真实验结果表明改进后的Bilinear-CNN模型使相似家具图像间的分类准确率能够得到进一步的提升。