Deep Learning是机器学习研究的新领域,掀起了机器学习的新浪潮,在各个行业都受到了广泛的关注。Google Brain项目、微软全自动同声传译系统、百度研究院等都是deep learning技术发展的见证。随着大数据和深度模型时代的来临,deep learning技术也得到了广泛的重视和发展,它带来的技术进步也必将改变人们的生活。随着机器学习领域的发展,最近几年对卷积神经网络的研究也越发深入。现在卷积神经网络已经广泛的应用到各种领域,并取得了巨大的成果。卷积神经网络是在人工神经网络的基础上发展起来的一种高效的识别算法。典型的卷积网络结构是由LeCnn提出的LeNet-5,它包含多个阶段的卷积和抽样过程,然后将提取到的特征输入到全连接层进行分类结果的计算。卷积神经网络通过特征提取和特征映射过程,能够较好的学习到图像中的不变特征。现在研究人员在典型的LeNet5的基础上,使用多种方法改善卷积网络的结构和性能,从而提高网络的通用性和对图像的识别效果。本文结合图像的特点,在深入研究了卷积网络的理论和国内外研究成果的基础上,主要做了以下工作:(1)研究了卷积网络的训练算法,通过对算法分析,调试并找到最优初始化参数和最适应的网络结构配置。(2)对于分类结果的计算,使用了多区域的测试方法,通过在测试的过程中对图像的多个区域进行计算能够提高图像识别的准确率。(3)为系统设计了一个通用的数据集输入接口,可以将自己构建的图像数据集输入到卷积神经网络的结构中,训练和查看图像分类的结果。(4)在卷积层使用了局部偏差共享和非共享两种方法,在数据集上测试并进行结果分析。(5)在隐含层使用了网络泛化的方法DROPOUT,在数据集上测试并进行结果分析。通过以上改进方法的使用,卷积网络的通用性和性能得到了提高。