近些年来,深度学习也逐渐被人们所熟知,深度学习是以神经网络为基础更深层次的神经网络模型。由于计算机硬件设施不断完善,使得计算机技术迅速提高,促使了深度学习的发展,该技术在语音识别、图像识别、数字识别等领域都有着广泛的应用,从而推动着科学技术的发展。其中卷积神经网络是深度学习的一个典型代表,当前已有的图像识别方法大多是机器学习方法,不仅工作量很大,识别效果不理想,而且需要大量的训练时间。而卷积神经网络像人脑神经系统一样,它可以解决特征提取时所存在的问题,同时具有权值共享的特点,这就凸显出卷积神经网络的优点,具有较强的适应性和学习能力,所以被广泛应用于图像识别、目标跟踪和物体检测等众多领域。本文对卷积神经网络的理论知识和特征结构进行了详细研究,并深入分析卷积神经网络模型中训练和测试两个过程,在此基础上,本文将卷积神经网络和图像识别相结合,提出一种基于卷积神经网络的图像识别方法。本文首先介绍了研究卷积神经网络模型的背景、意义以及国内外研究现状与发展,对当前图像识别的技术进行了详细了解。主要研究卷积神经网络在图像识别上的应用,考虑到原始图像作为卷积神经网络模型的学习样本,模型只接收了图像的空间域特征,而丢失频域特征。将图像看做二维离散信号,图像的频域图反映了图像在相应基上各个能量的分布情况,本文将探讨频域信息对图像识别的帮助。对卷积神经网络模型进行改进,通过傅里叶变换和离散小波变换处理原始图像获取图像的频域信息,并融和空间特征与频域特征共同让卷积神经网络进行学习,在MNIST手写数字数据集上做实验,通过准确率、精确率、召回率和F1-score共4个评价方法对模型进行了评估,基于傅里叶变换改进的卷积神经网络与基于离散小波变换改进的卷积神经网络在4项评价指标上均取得了提升。