基于卷积神经网络和核心的深度学习神经网络在图像识别领域取得了巨大的成就。其核心思想是通过深度学习的神经网络,利用标签数据学习目标的特征,解决图像分类、图像分割等计算机视觉的基本科学问题。并在二维、三维图像的计算机视觉中得到了广泛应研究和应用。在地质目标识别等特殊行业应用中,目标特征非常微弱,需要提取目标在高维图像中的特征,即高维计算机视觉。现有解决方案是先将高维图像数据进行降维,形成二维或三维的图像处理问题,并利用现有的卷积神经网络进行图像识别。其不足主要有两个方面:其一是现有降维的优化目标是整体数据的特征损失最小,而不是目标特征损失最小。由于目标特征的损失,导致了降维后目标识别的效果较差;其次是高维图像通常维度会达到上千万维或更高,传统的降维算法无法处理。基于此,主要的工作和贡献如下:1、提出了基于高维卷积神经网络的网络架构。针对现有的深度学习网络框架只能处理三维以下的计算机视觉问题,本文提出了高维卷积神经网络架构,并实现了高维卷积神经网络的训练算法。其基本核心思想是将二、三维的卷积计算推广到高维卷积计算,在此基础上,进行前向传播和后向传播算法设计和实现,从而实现了高维卷积神经网络的构建。进而实现了高维图像的标记、高维图像的输入等数据处理,最大程度上保留了目标特征在高维数据上的分布情况。通过地质异常体识别的应用测试,本文提出的方法充分挖掘了地质异常体在多属性之间的隐含关系,提高了目标特征提取准确性。2、针对在高维图像分割中目标特征微弱、标记数据难度较大的问题,提出了高维图像数据的可视分析方法流程。现有的解决思路是通过增加标记数据和提高网络的复杂度进行解决。此外,生成对抗网络(GAN)也是解决小样本问题的一种思路。这些方法和思路在实际的工程应用中还存在不稳定和效果无法预期等问题。本文提出了基于可视分析的高维图像数据分析方法和流程。其基本思想是在进行高维图像处理过程中,充分利用人的认知和判断能力对机器学习的结果进行修正和调整,并利用修正和调整作为新的标记数据进行增量学习,形成迭代的高维图像分析流程,并对实际的多维数据进行仿真,展示分割结果。3、基于以上基础,本文实现了一个基于高维的卷积神经网络与人机交互的高维数据图像分割的可视化系统。将其用于高维图像数据中,通过仿真实验验证方法。