汽车发动机的运转必然会产生积碳,当前主要的判断方法是凭借驾驶者的直观感受,如车辆怠速不稳、加速顿挫等,而积碳的清除方法也仅是通过定期保养、清洗节气门等方式进行。但由于车辆的运行状况、燃油质量的不同,积碳的严重程度也不尽相同,因此定期保养的方式无法根据发动机积碳程度进行针对性的清除,因此研究一种判定发动机积碳严重程度的方法具有重要的实用价值。本文以发动机活塞顶的内窥镜图像为研究对象,对不同程度的积碳图像,设计基于卷积神经网络的识别方法,实现了轻微、轻度、中度、重度和严重五类活塞顶积碳程度的判别,识别的准确率达到了82.92%。此外对所设计的卷积神经网络采用GPU并行的方式加快了网络的训练速度。具体工作如下:(1)通过构建卷积神经网络,对发动机活塞顶图像进行了积碳程度的识别分类。首先应用中值滤波和分段线性变换这两种方法对图像进行预处理,为后续的积碳图像识别分类打下基础,同时分析了不同卷积层数,不同卷积核大小以及不同迭代次数对发动机活塞顶积碳图像识别准确率的影响。(2)分析了卷积神经网络中不同网络层次中前向传播和反向传播的具体过程,在单GPU下对卷积神经网络的前向传播和后向传播过程并行实现。与CPU平台下进行相同的迭代次数,分别计算出训练所需的时间。实验表明,GPU对卷积神经网络的训练更具优势,单GPU的加速比最高达到12.26。(3)在多GPU平台下,分别采用同步更新法和异步随机梯度下降法对卷积神经网络进行并行训练,异步随机梯度下降法克服了同步更新法中参数服务器需要等待所有的GPU反馈参数变化量造成训练耗时这一缺点,能够把最新的模型参数发到各个GPU上进而开始下一轮的训练。实验表明,在进行相同的迭代次数下,异步随机梯度下降法对卷积神经网络的并行训练效果更好。