卷积神经网络是为识别二维图像而特殊设计的一个多层感知器,具有良好的容错能力、并行处理能力和自学习能力。在处理二维图形问题上,特别是识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率,己广泛应用于人脸识别,人眼检测,行人检测,机器人导航等领域。本文深入研究以神经网络为基础的卷积神经网络理论,并基于此理论算法进一步开展了手写体数字识别和木材缺陷识别应用的研究。论文主要工作如下：1.对卷积神经网络的网络结构进行分析,针对卷积神经网络研究存在的缺点,本文提出一种可以不断调整训练集来重点处理错误分类样本的算法；2.给出一种渐进式扩展网络结构算法,可以自动调整网络结构,使得网络结构适应于实际问题,减少不必要的网络层；3.由于卷积神经网络对样本的特征提取是自适应的,自适应提取特征可以使得操作简单,但是也会带来若干问题,如无法对特征进行降维等预处理操作,提出一种改进的特征卷积神经网络,丰富了网络提取的特征,实现了特征提取非网络自行提取,可以对网络中的数据进行具体的分析操作；4.将卷积神经网络应用于灰度图像上的手写体数字识别和彩色图像上的木材缺陷识别。给出实际识别应用的卷积神经网络算法,并与聚类算法、支持向量机SVM、Adaboost、神经网络neural network等主流分类算法进行对比验证。实验结果表明：卷积神经网络的精度与效率皆优于其他几种算法。