目前深度学习技术已经广泛应用于计算机视觉相关领域中,在医疗影像、身份识别、智能交通、图像合成等多种应用场景中都催生出了实际的市场产品。然而,随着深度学习技术理论研究的逐步深入,如何利用先进的理论技术设计制造切实可用的市场产品,从而为人们的社会生产生活带来实际的便利,仍然需要我们不断的探索与研究。本文设计了一种结合深度学习技术与物联网架构的,可用于工程车辆检修时对人工采集的大量工程车载设备图像进行自动分类的数据管理系统,着重介绍了本系统所使用的图像分类模型以及本系统各功能模块的结构与特点。在图像分类模型的训练过程中,较好的训练效果通常依赖于海量的数据资源与精细的网络结构。在数据资源的获取过程中,如果只依赖人为获取,不仅大量的耗时耗力,而且在某些情景下很难采集到大规模的数据资源,因此,通常在训练前会对数据集进行数据增强处理,本文基于对抗生成网络,提出了一种适用于工程车载设备图像集的图像生成算法,通过优化损失函数以及改善网络结构,自动的生成清晰多样的仿造图像。在图像识别网络的构建中,训练复杂、精细的网络往往意味着巨大的运算量级以及冗长的训练时间,并且结果往往伴随过拟合问题,鉴于此本文使用了基于迁移学习与模型微调的网络训练方法,通过继承已有成熟网络的权值矩阵,冻结大部分网络层只微调部分参数的方法,在避免过高运算成本的同时,也能继承成熟网络的收敛性和稳定性,最终得到工程车载设备图像分类网络。在算法的理论研究以外,本文的另一部分工作聚焦于利用已有的理论研究成果构建具有实际使用价值的具体系统。本文使用工程车载设备图像分类网络,结合基于移动通信的车联网技术,实际搭建了一套工程车载设备的自动分类系统,该系统包括了从终端采集、上报到服务器端识别、存储的多个功能模块,其中,通过使用基于存储与轮询机制的上报策略保证了大规模数据量上报的可靠性,通过基于内容权值的图像分类策略增加了图像识别标类的准确性。该系统可应用于在工程设备检修时对手动采集的工程车载设备图像进行自动的存储与分类,能够在节省人力资源的同时,提升用户数据资产的有序性,提高其数据价值。