近年来,卷积神经网络以其突破性的成果成为计算机视觉领域的研究热点。在快速发展的同时,业界对图像处理等任务也提出了更高的要求。比如更能充分描述事物的多标签识别中存在标签识别准确率不佳的问题,又比如针对卷积神经网络训练过程中对数据样本需要进行的大量浪费人力的标注问题等。这些问题在现实场景下普遍存在,且在很大程度上制约着计算机视觉技术的应用。根据项目来源实际,本文在总结分析了常见的卷积神经网络算法的不足之处后,针对在实际应用中遇到的多标签分类和小样本数据集下的训练问题,提出了一套改进算法。为了使得卷积神经网络在多标签分类时能有效利用标签间的信息,提出结合贝叶斯理论的卷积神经网络模型。根据标签的统计信息以此获得先验知识,在模型分类时结合标签的先验知识辅助卷积神经网路的多标签分类,以此来提升标签整体的识别准确率。本文还总结了国内外研究学者对半监督学习领域的协同训练算法的研究成果,针对项目初期训练数据集不足导致模型难以训练的问题,提出一种卷积神经网络协同训练的半监督学习算法。结合集成学习的思想,集成多个基分类器对大量的无标签样本进行预测分类,将无标签样本产生的信息利用到卷积神经网络的训练过程中,从而间接使得训练样本数量扩增。避免因为训练样本数量过少导致模型产生过拟合问题。实验结果表明,结合标签相关性信息进行分类能有效提高大难度标签识别的准确率,将难度大的标签从原先的30%左右的准确率提升到53%作用,从而提高模型的整体识别准确率。结合协同训练的卷积神经网络能有效缓解样本数量过少导致的过拟合现象,通过分析可知本文所提算法对性能提升有比较明显的效果。