对木材缺陷的识别和鉴定是木材物理学与木材环境学的重要组成部分,它具有重要的科学研究意义和实用价值,如何高效准确的对木材缺陷进行识别,这成为一直困扰木材学界的一个难题。采用传统的人工目视检测以及图像处理方法已经难以胜任,所以寻找一种可以替代传统方法的技术,对木材缺陷的识别和分类研究具有重要的意义和应用价值。为了深入研究关于木材缺陷的图像处理及模式识别问题,针对木材缺陷的特征性和图像提取问题,采用卷积神经网络算法对木材缺陷的图像进行识别和分析,引入卷积神经网络来解决这一难题具有理论和实践的双重可行性。本文针对木材的缺陷识别问题,采用卷积神经网络算法对木材的缺陷图像进行识别,做出的工作如下:首先,由于选取的树木的种类很多,且缺陷各不相同,使得每一种样本的数量较少,想要对每一种样本进行识别,采用传统的卷积神经网络方法是难以做到的。针对这一问题,提出了一种跨层的卷积神经网络模型,该模型与传统卷积神经网络的不同之处在于,该模型可以将网络的低层次特征加入到分类器中,使卷积神经网络的识别效率变的更高。其次,对木材缺陷的识别,由于缺陷图像过于复杂,包含的参数过多,使得识别过程缓慢。针对这一问题,采用改进的随机梯度下降法对卷积神经网络进行优化,使网络的学习率随着网络的变化而自适应的改变,优化后的网络能准确的识别出图像中的缺陷,提高识别效率。最后,将改进的随机梯度下降算法应用到跨层卷积神经网络模型当中,可以进一步优化网络,引入跨层思想提高了改进卷积神经网络的准确率。优化的算法能提高网络的收敛速度,将这两种方法进行结合,可以更加有效地对木材缺陷进行识别。实验结果表明:根据木材表面缺陷图像特征,运用改进的卷积神经网络,来解决木材表面缺陷识别问题,使网络在识别精度上达到更高的水平。