卷积神经网络将目前很热门的深度学习技术、人工神经网络方法相融合,形成一种新型的人工神经网络模型。它被广泛地应用在图像识别领域,其优点是让应用系统具有更清晰的层次化结构、更强的局部区域的感知性、有效地将分类和特征提取过程结合在一起,有利于对数据进行全局的训练。卷积神经网络有两方面比较特殊:1、非全链接的神经元。2、能够共享同一层神经元中的链接权重。这点能够十分有效的降低网络模型的复杂度、权值的数量,从而对于保持网络结构的稳定性有着很重要的意义。此文所提到卷积神经网络模型是建立在LeNet-5结构的基础上的,重点做如下研究:一、设计级联关系,采用人眼进行定位。人脸对齐技术是人脸识别技术中最重要的一个环节,通常人脸对齐和眼睛定位紧密联系在一起。因此,本文所设计出来的卷积神经网络在结构上属于级联关系,可以在没有任何约束的情况下对人眼进行检测。做过多次对比、实验后发现这种结构的神经网络有相对很高的检测性能。二、重点对三个卷积神经网络模型进行实验,验证加入改进方式能提升网络性能。当中的人脸库依次为Yale B人脸库、PUT人脸库、AR人脸库。首先,在每种人脸库中,按照不同方式组合激励函数和采样方式,分别在三个网络模型中配置这些组合,分析这些组合的图像识别能力;然后通过如下三种方式提升网络的性能,分别是:增加动量项、增加权值衰减项、使用dropout技术;最后是把这三种方式加入网络模型中,对加入三项与未加入的网络性能进行比较,验证结果显示,加入三种改进方式后的网络性能确实有所提升。三、论证多栏卷积神经网络图像识别性能优于PCA+SVM。在卷积神经网络的结构中加入二维Gabor滤波器,并且使用5个尺度构造卷积神经网络,在每一个尺度中,分别比较如下两种方式的运行结果,即:1、用卷积神经网络直接分类;2、首先要用卷积神经网络来提取特征,然后通过PCA降维、用SVM来分类。另外,还要将五个尺度的卷积神经网络进行集成操作,构成一个多栏的卷积神经网络,多次改变特征维数来比较PCA+SVM方法与多栏卷积神经网络的图像识别效果,最终发现多栏卷积神经网络的图像识别性能优先于PCA+SVM方法。