随着当代信息技术的发展和进步,信息化社会的不断发展使得我们对数据处理的能力要求越来越高,传统的数据处理方法已经不能满足需求,因此如何利用机器来进行信息处理和大数据的分析成为新的趋势。如何高效且快速的处理大量且复杂的数据并从数据中尽可能多的提取需要的信息成为目前的热门研究方向。目前大多数的数据处理方法,都是仅处理单一属性数据,而现有的对于多属性数据的处理,多是将数据的不同属性提取特征后进行拼接或融合进行处理,这种方法对于不同属性之间具有关联性的多属性数据的处理上破坏了其结构特性,存在不足。除此之外,由于目前现有的特征提取和识别方法,几乎都是在时域上对数据进行处理,而忽略了一些频域上的特征,因此本文研究了这一问题,综合对比后选择小波域上的数据处理作为主要的方向,将现有的数据分类的方法——卷积神经网络与小波变换相结合进行研究。卷积神经网络在图像分类和语音识别方面达到了非常良好的效果,但是随着数据量和数据分析能力的要求不断提升,单一对图像等低维数据的分析已经不能满足需求。CNN擅于捕捉数据的空间特征,而频域分析擅于捕获基于频谱信息的尺度不变性,本文将二者与张量结合,将具有多属性特征的数据用张量进行表达,通过小波变换将数据拓展到小波域并与高阶卷积神经网络进行结合对多属性数据进行分类,对比传统的CNN能够提高效率并提升分类准确率。本文的主要研究可归纳如下:1.提出融合小波变换与卷积神经网络的图像分类算法。卷积神经网络通过多层非线性信息处理分析数据的特征,从一些角度来讲,CNN可以看做是多分辨分析的一种,而小波变换也同样具有该特性,但CNN难以从数据里近似学习到小波变换里的滤波器不变的参数,因此本文提出将图像进行小波变换提取其小波域特征后,将其输入CNN中进行特征学习以进行分类的算法。该方法在多个数据集中进行实验,取得了不错的效果。2.提出融合小波变换和高阶卷积神经网络的多属性信号的分类算法。通过张量表示模型将卷积神经网络拓展到张量空间,利用小波变换将数据的时频特征在小波域进行分析以得到更高的精度和有效的信息处理,并将处理后的小波域信息拓展到张量空间,从而更全面的学习多属性数据的特征,定义了张量卷积运算、张量池化运算、高阶前项传播和高阶反向传播算法来训练高阶张量空间中卷积神经网络的参数。3.实现了张量小波的高阶多属性信号分类中的多个应用实例。分别在高光谱人脸数据集Poly-U、CAUVE、MIR Flickr等多属性数据集中进行了实验,验证所提出的融合张量小波的高阶卷积神经网络算法的性能。实验结果表明,本文提出的融合张量小波的高阶卷积神经网络算法比大数据的深度计算模型和多模模型具有更高的分类精度,验证了本文所提出的融合方法的可行性。