在进入信息时代之前,人们在网上获取信息通常是以简单的文字为载体,而图像、音视频由于其包含数据量较大,难以处理等原因而不那么受重视。随着计算机硬件性能的提升与计算机技术的进步,人们逐渐能够处理大规模的复杂数据,图像包含数据的多样性以及丰富性,使得图像处理在近年来获得了极大的关注,其中图像识别是人们最为感兴趣的一块。通过图像识别,人们开发出了辅助驾驶系统、安防系统、智能交通系统等各种智能系统。在图像识别中,提取合适的图像特征最为关键,这将直接影响最终的识别结果。卷积网络是目前图像识别领域研究的前沿与热点之一,并且已经在图像识别领域产生了诸多突破性的成果。卷积网络堆叠多级类似的结构,每级均包括滤波器组层、非线性层与特征池化层。并且其中的大部分参数可以共享,使得卷积网络的结构简单不容易过拟合。通过卷积网络提取的图像特征进行图像识别,可以获得诸多优势,例如对光照变化的鲁棒性、对刚性形变与非刚性形变的稳定性与尺度不变性等特点。本文结合几种简单的特征提取算法与支持向量机分类算法,构造了几种简单的卷积网络,包括核主成分分析网络(KPCANet)、独立成分分析网络(ICANet)与鲁棒的主成分分析网络(RPCANet),并研究了使用不同特征提取算法构建卷积网络对图像识别的影响。KPCANet是利用核主成分分析算法构建滤波器组层而获得的卷积网络,通过选取各种不同的核函数,本文获得了KPCANet的多个变体形式,并且使用多种图像,包括人脸图像、手写数字图像、纹理图像以及物体图像对KPCANet的识别效果进行了验证,同时利用MNIST手写数据集验证了核函数与卷积网络中的参数对KPCANet的影响。传统的卷积网络在纹理图特征提取中效果不理想,但是ICA对纹理特征提取效果较好,因此本文利用ICA构造了相应的ICANet,并且利用纹理图像对ICANet的识别效果进行了验证。鲁棒的主成分分析算法(RPCA)能够恢复受到较大噪声污染的图像,因此本文利用RPCA构造了RPCANet,并利用AR数据集对RPCANet的识别性能进行了验证。实验结果表明,KPCANet、ICANet与RPCANet都可以有效地提取图像的特征。同时KPCANet适用于多种类型的图像识别任务,它具有对光照变化鲁棒,对轻微的非刚性形变稳定等特点。ICANet能够有效地提取纹理图像的特征,并且对尺度变换具有鲁棒性。RPCANet能有效地提取受损图像的特征,并且对光照变化具有鲁棒性。