随着互联网以及各种终端设备的普及,电子商务已经成为人们生活的一部分,高效图像检索方法的实现是人们的迫切需求。深度学习方法可以对原始图像的特征进行自动提取,通过层层抽样从而得到深层抽象的特征。本文主要研究基于深度学习的商品图像分类,重点研究商品图像的精细分类,本文主要工作如下:本文首先研究了传统堆栈自编码网络、深度信念网络、卷积神经网络在商品图像精细分类中的应用,针对传统深度学习方法训练时间长、对硬件设备要求高等缺点,本文分别提出并实现了基于堆栈自编码网络、深度信念网络、卷积神经网络与支持向量机相结合的商品图像精细分类方法。通过实验结果表明,与支持向量机结合的堆栈自编码网络、深度信念网络所取得的分类效果有一定的提升;应用与支持向量机结合的卷积神经网络所得平均分类正确率可达74%~99%,高于已有文献66%~98%的分类正确率,与迭代100次的传统卷积神经网络相比,在相同网络结构下所用训练时间约减少了90%。针对卷积神经网络与支持向量机相结合的商品图像分类,本文进一步研究比较了三种池化方法(均值池化、最大池化、随机池化)对分类性能的影响。实验结果表明,针对6层以下的卷积神经网络,均值池化的分类性能最优且比较稳定,在网络结构合适的情况下,最大池化可以取得与均值池化接近的分类效果,随机池化分类性能最差,并表现出一定的不稳定性;针对6层以上的卷积神经网络,最大池化的分类性能更优,而且网络层数越多,最大池化的分类效果越理想,而均值池化的分类性能有下降的趋势,随机池化方法的分类效果依然具有一定的随机性,但所得实验规律更接近最大池化。针对自建商品图像精细图库以及公用图库进行实验,实验结果表明,以上规律不但适用于商品图像精细分类,也适用于通用图像分类。