随着图像识别的广泛应用和深度学习的兴起,深度卷积神经网络在图像识别领域也获得广泛的应用。基于深度卷积神经网络的图像识别方法是当前识别正确率较高的方法,是一种基于特征学习的图像识别方法;该方法不用事先指定应该提取的特征,而是通过迭代学习的方法寻找最适合分类的特征。同时,其识别精度和泛化能力较传统图像识别方法也有了明显提高,因此在最近几年,基于深度卷积神经网络的图像识别方法取得了举世瞩目的成绩。本文主要创新性工作如下:利用深度卷积神经网络进行图像识别时,小数据集容易造成卷积神经网络无法得到充分训练等问题。针对此问题,提出了基于视觉显著性和非监督预训练的权值初始化方法。首先利用视觉显著性模型提取图像的显著区域,将显著区域随机截取适当大小的小块输入至稀疏自动编码器进行预训练,即可得到更符合数据集统计特性的卷积滤波器集合,提高了网络的收敛速度和识别效率,并在部分Caltech 101数据集及CIFAR-10数据集上实验证明其有效性和稳定性。同时针对羽绒图像的数据集特点,基于Inception模块及其改进模块构建了一个深度卷积神经网络对羽绒类型进行识别分类,实验证明构建的深度卷积神经网络对羽绒数据集具有较好的识别精度。