图像信息包含了大量的信息而且内容通俗易懂简洁明了。在社会飞速发展互联网技术迅速提升的当今社会,图像数据成为工业界和科研界一个十分重要的研究内容。而在当下最为热门的方向之一计算机视觉中,图像的分类识别是计算机视觉的基础和最为重要的部分之一。图像场景分类是图像分类中一个重要的方向。而针对场景分类问题最为著名的两个方向是自然场景分类和遥感影像场景分类。本文针对这两个主要方向进行分类实验。首先使用传统神经网络LeNet-5,AlexNet-4和VGGNet-16对自然场景分类数据集进行实验,分析实验结果得出VGGNet-16的实验结果较好。然后选用集成学习方法与VGGNet-16进行结合构造出Ada-VGG16和RF-VGG16,对比实验结果并选用RF-VGG16将其改造成为浅层卷积神经网络RF-VGG6,并通过对比几个卷积神经网络的实验结果得到本文所提出的新的基于集成学习的浅层卷积神经网络RF-VGG6实验分类准确率良好并且实验效率高,是一个适用于自然图像场景分类的模型。然后使用场景分类的另一重要方向遥感场景分类数据集对提出的RF-VGG6模型进行验证,得到的实验结果较好。得出该模型对于场景分类数据集可能具有可迁移性。另外,本文针对小数据集的特性提出新的数据处理方法,通过将彩色图片改变成为灰度图并重新着色的方法对比实验结果,得到该数据处理方法可能对于CNN框架下的模型具有一般适用性的结论。本文所提出的RF-VGG6模型对于未来图像场景分类问题可能具有可行性和可泛化性。