分类是数据挖掘和机器学习的重要研究任务,而其中的图像分类是图像挖掘的热门研究方向。图像分类通常由特征提取、特征表达以及分类器三个部分组成。但图像分类的性能很大程度上由提取特征的有效性决定,有效的特征可以提高图像分类的性能。在实际应用中,可以依赖于相关领域的先验知识实现特征的有效提取,但需要耗费大量的时间,而且很难有效表达图像信息。深度学习(Deep Learning,DL)的出现成功地解决了图像分析处理难的问题,也为图像分类提供了有效方法。深度卷积神经网络(Deep Convolution Neural Network,DCNN)作为一种深层神经网络模型,在图像识别、运动分析和医学诊断等众多领域都表现出良好的性能。但DCNN应用于复杂场景图像分类时,其模型性能仍然依赖于现有的网络能否准确迁移到特定图像上。为此,本文提出了基于深度学习的多特征融合图像分类方法,该方法基于DCNN和图像纹理特征,以提高对图像分类的准确性为目标,结合图像处理分类器建立了多特征融合模型,本文具体贡献和工作如下:(1)分析了 DCNN模型的特点,并以Inception网络模型作为实现DCNN的基础模型。利用图像数据训练整个网络模型进行学习,并评估分类模型的性能。考虑DCNN应用到不同领域的图像分类时,特别是图像数据不足而使得训练样本量偏少情况下,模型的分类性能并不稳定。基于此,本文利用自然生活图像和小样本图像数据一起对模型进行训练,使用自然生活图像训练模型的前面层次的特征提取部分,然后再迁移到少量训练样本的图像数据上进行模型学习训练。以此有效地利用现有数据,并提高模型对小样本图像数据分类的精度。(2)利用评分特征、灰度共生矩阵和方向梯度直方图提取图像特征,训练支持向量机和极端梯度增强分类器进行分类。充分利用DCNN对图像特征处理的优势,选取DCNN为特征提取工具,对图像分类的类别进行评分。将评分特征与图像纹理特征进行特征融合,进而作为分类器的输入。(3)用正确率、准确率、召回率、F1-score和总体正确率对分类性能进行了评价。结果表明,本文提出的多特征融合的图像分类方法性能最好,与支持向量机算法相比,极端梯度增强分类器的性能更好,其总体正确率为92.80%,对单一类别的正确率为84%,说明该方法有助于更准确地对某一类的图像进行分类。