箱包五金件是手工业生产中较为常见的产品,随着数字经济的迅速发展,箱包生产厂商需要对箱包五金件进行信息化。一个精准的拍图识别系统可以提高箱包生产厂商完成产品信息化的效率。而一个准确率高且泛化能力强的图像分类模型是构建一个好的拍图识别系统的关键。论文针对图像分类任务中图像数据集（箱包五金件图像）的类别不平衡问题,提出了基于改进CycleGAN的图像增广方法。同时针对ResNet在箱包五金件图像识别的技术中无法提取最高效的特征,而导致的分类效果不佳的问题,提出了改进残差网络模型。论文的主要研究内容有:（1）原始箱包五金件图像数据集存在严重的类别不平衡问题,针对该问题提出了基于CycleGAN的图像增广方法,对采集的数据集通过生成少样本类别的图像进行图像增广;同时针对CycleGAN生成的图像质量一般的问题,对CycleGAN进行改进,将CycleGAN中的部分传统卷积层使用深度过参数卷积（Depthwise Over-parameterized Convolutional Layer,DO-Conv）进行替换。为验证改进效果,在箱包五金件图像数据集上进行了对比实验,实验表明改进的CycleGAN模型,在生成图像质量和多样性方面都优于原模型。对数据集进行图像增广后,分类模型的效果也得到了提升。（2）针对箱包五金件图像数据集中存在的类内差距较大、类间差距较小的问题,论文提出了基于改进残差网络的图像分类模型,通过将DO-Conv和金字塔卷积（Pyramidal Convolution,PyConv）添加到ResNet的方式来改进模型。该改进模型可以提取不同等级的特征,可学习的参数量也高于改进前的残差模型。为了验证改进模型的有效性,论文进行了多项对比实验。首先在箱包五金件数据集和细粒度图像数据集上进行实验,实验证明改进后的模型是有效的。再在箱包五金件数据集上进行改进残差模型的消融实验,实验结果表明改进残差模型的图像分类效果优于单独使用PyConv和DO-Conv进行部分改进的模型。最后,在箱包五金件图像数据集以及使用CycleGAN和改进CycleGAN扩充后的数据集上,使用改进残差模型进行对比实验,在改进CycleGAN扩充后的数据集上,模型的分类效果最好,其准确率为95.87%,召回率为91.82%,F1值为93.58%,进一步验证了基于改进CycleGAN的图像增广方法的有效性。通过实验表明,论文中提出的基于改进CycleGAN的图像增广方法可以有效地缓解箱包五金件图像数据集的类别不平衡问题,而改进残差模型在箱包五金件图像上的分类效果也较好。