绘画是人类历史进程中的一种重要的艺术形式,中国悠久的历史产生了大量的绘画作品,这些作品对人们了解中国的历史及文化有着重要的意义。随着信息技术的发展,图像分类已然成为图像领域热门的研究课题之一,而对中国绘画图像的分类也日渐兴起。传统图像分类方法大多是基于浅层结构的学习算法,虽然可以提取多样的图像特征,然而在某些特征提取过程中有可能丢失更多特征,且特征的选择需要一定的绘画知识,特征提取方法的泛化性较差。这就决定了利用传统方法对中国绘画进行分类通用性较低,而近年来兴起的深度学习方法则不需要人工干涉图像特征的选择。基于此,本文对中国绘画分类的主要研究如下:本文首先提出卷积神经网络在绘画图像分类效果上的优越性,并在卷积神经网络的基础上进一步研究了激活函数对图像分类准确率的影响,提出一种线性与非线性结合的函数作为激活函数,即结合SoftSign与ReLU两种激活函数的优点,构造一种新的激活函数SReLU,应用于卷积神经网络中,并在中国绘画数据集与敦煌壁画数据上分别进行实验。实验结果证明本文所提出的激活函数在分类效果上得到了提升。其次,阐述小样本学习的概念及其主要方法,然后提出以卷积神经网络为基础的关系网络模型,该模型模拟人类识别物体的过程,尝试让卷积审经网络学会如何学习并比较,主要是通过比较图像与图像之间的特征差异来实现图像分类任务。中国绘画虽然种类繁多,但中国绘画无专业数据集可用,这意味着中国绘画没有大量的标记数据集,只通过卷积神经网络训练实现新任务的分类需要对大量样本数据进行人工标记,因此通过小样本的学习便可实现新的绘画图像类的识别是有必要的。另外敦煌壁画是中国绘画中的一朵奇葩,所以本文实验除了验证该网络模型对新类别的中国绘画分类的可行性外,也对敦煌壁画数据集进行了验证,实验结果证明了小样本学习的可行性。