3D图像分类是计算机视觉中的一个热门课题,在室内物体检测、行人检测、姿态检测和机器人视觉等领域有着重要的应用价值。随着人工智能的快速发展,基于深度学习的RGB-D图像分类方法得到广泛地关注。本文研究基于深度学习的RGB-D图像分类方法,设计并实现了一种基于卷积神经网络的稀疏连接方法用以更有效地提取RGB-D图像的特征;针对深度学习网络权值参数多、占用存储空间大等问题,实现了一种基于深度卷积神经网络的层内权值共享方法。论文主要研究工作如下:(1)阐述了基于深度学习的RGB-D图像分类研究背景及意义,概述了该技术的国内外研究现状。重点介绍了传统图像分类方法和深度学习方法的相关理论。详细分析了深度图像获取、彩色图像和深度图像特征提取、经典图像分类模型、经典深度学习网络模型等相关技术。(2)为了使网络更能针对性地提取RGB-D图像的特征、减小冗余权值的影响,本文设计并实现了一种基于稀疏连接的深度学习网络。该网络在卷积神经网络滤波器层中,利用SURF算子得到图像特征点的位置,然后以特征点为中心确定滤波器层在图像中的感受野,所得感受野与卷积核形成稀疏连接网络,构成了卷积神经网络中的滤波器组层。实验结果表明,所提方法有效地提高了图像的识别精度。(3)针对深度学习网络计算量大、权值参数多、空间消耗大等问题,本文实现了一种深度层内权值共享的网络。该网络通过自组织映射神经网络对每层网络权值进行聚类处理,然后利用聚类中心进行层内权值共享。实验结果表明,在保持RGB-D图像识别率基本不变的情况下,本文方法能对中等及以下深度学习网络进行有效地压缩。