绘画是承载人类文明发展的一种重要载体,对绘画的研究有助于人们更好地了解人类历史和文化,绘画作品的数字化对有效使用绘画资源具有重要意义。传统图像分类方法并未考虑绘画作品主观特性,且大部分特征需要人工提取,存在细节特征易丢失,模型泛化能力不足等问题。近几年来,卷积神经网络(convolutional neural network,CNN)在计算机视觉领域表现突出,通过模仿人脑认知,自动学习图像数据特征,在避免人工提取复杂特征的同时,提高了图像分类识别准确率。本文提出基于卷积神经网络的绘画图像分类方法,以期望提高绘画图像分类的准确率。尽管卷积神经网络在图像分类领域中表现优异,仍很难用数学理论证明其求解过程,这使得研究主要通过实验来优化网络结构和网络参数,从而提高模型的分类性能。除了研究卷积神经网络本身外,卷积神经网络与其他机器学习方法的结合,引入其他方法的优点来解决具体任务中相应问题也是一个研究热点。本文除了研究卷积神经网络本身的设计和优化外,还引入迁移学习与卷积神经网络模型融合,以解决小样本绘画图像分类问题,同时引入弱监督学习与卷积神经网络模型融合,以充分利用大量无标签数据。主要内容如下:(1)卷积神经网络在绘画图像分类中的设计和优化研究,针对东西方绘画图像两个数据集,研究了卷积神经网络结构深度对分类模型准确率的影响,从而为卷积神经网络结构设置了合适的深度。在传统串联卷积神经网络结构中,研究了卷积核大小对分类模型准确率的影响,从而为不同数据集设置不同大小的卷积核。同时,在传统串联卷积神经网络结构的基础上,增加了网络结构宽度,实现了多尺寸特征提取与融合,从而增强了卷积神经网络的特征学习能力。此外还分析了训练样本数量对分类结果的影响,发现训练样本数量的增加,有利于增强卷积神经网络的特征学习能力。实验结果表明,该方法对绘画图像具有很好的分类效果。(2)卷积神经网络在小样本绘画图像分类中的研究,针对小样本绘画图像数据集,首先通过切片、旋转和镜像等数据扩充方法扩增训练样本数量,以丰富样本多样性。然后提出一种新的激活函数PPReLU,通过引入可学习参数来减少特征值方差以加速收敛,并防止了梯度爆炸问题的发生。最后在卷积神经网络中引入迁移学习,提出一种组合迁移学习方法,分两阶段将预训练模型权值参数迁移到绘画图像分类模型中。实验结果表明,该方法有效提高了小样本绘画图像数据集的分类准确率。(3)卷积神经网络在弱监督绘画图像分类中的研究,利用有标签样本训练得到的绘画图像分类模型,对大量的无标签样本自动标注标签,从而充分利用大量无标签样本进行弱监督学习。然后利用困难样本挖掘方法,进行难样本再学习,实验发现加入小比例的难样本可以提高分类模型在测试集上的分类性能。最后提出改进的softmax损失函数,通过自动学习权值调节因子,训练过程中自动降低简单样本权重,自动提高难样本权重,使得分类网络在简单样本训练收敛后更好地收敛难样本。实验证明,本章提出的弱监督学习方法有效提高了绘画图像分类准确率,具有可行性。