图像分类技术是计算机视觉领域的一个热门研究方向,它不仅可以有效提升信息检索的效率,而且在图像分割、目标检测等领域都有着重要的应用价值。传统的分类方法需要手动提取特征,特征提取不充分;深度学习技术以其强大的自主学习能力,为图像分类提供了新的思路。为进一步提高分类准确率,论文基于人眼对视觉信息的感知特性,利用卷积神经网络,对图像粗粒度分类方法进行了深入的研究,主要内容如下:第一,论文提出了一种双路特征融合网络模型。该模型包含深浅两路通道,分别提取图像的细微和粗糙特征信息。在双通道处理过程中,利用粗糙特征对细微特征做信息补偿,采用多尺度融合来重建其空间结构信息;将粗糙特征和处理后的细微特征融合后,实现图像分类。此外,为了进一步提高网络的特征学习能力,设计了一种自适应指数学习率方法,这是一种动态的学习率更新方式,可以根据网络上一次迭代时损失函数值的变化情况,对当前学习率进行动态调整,以加快模型的收敛速度,同时在一定程度上提高模型的分类准确率。第二,提出了一种多尺度特征融合网络模型。利用左右两路通道来模拟双目识物过程,进行特征提取;两路通道分别采用不同感受野的空洞卷积,以获得多尺度特征信息;通过将特征信息逐级输入到融合通道中,来获得图像的细微特征信息;将其与来自浅层的粗糙特征信息进行融合后,传入全连接层,实现图像分类。最后,为了验证本文算法的有效性,分别在国际公开数据集CIFAR-10和CIFAR-100上进行实验。实验结果表明,两种算法均能够很好地模拟人眼视觉特性,取得了比较理想的图像分类效果。