随着互联网时代的到来和信息的爆炸性增长,人们经常面临处理具有复杂干扰的庞大数据。针对这样的大数据,传统的方法通常很难得到很好的处理结果,相反深度学习却显示出巨大的优越性。深度卷积神经网络被广泛地应用于识别大量具有复杂背景的图像,但由于计算量大使得传统的卷积神经网络的目标识别速度通常较慢。针对这个缺点本文进行了一些研究,具体工作如下:(1)图像感兴趣目标分割。为减小背景对图像识别的干扰本文提出一种目标分割方法,即基于统计方法建立卷积神经网络分割感兴趣目标。(2)建立深度卷积神经网络SAR图像识别模型。首先利用分割出的感兴趣区域建立不同拓扑结构的深度卷积神经网络模型进行目标识别;然后分析卷积层数、每层卷积核个数、卷积核大小对最终识别结果的影响;并根据分析结果确定深度卷积识别模型的拓扑结构。(3)建立多路深度卷积网络图像识别模型。显然在深度卷积神经网络模型中,卷积核决定图像局域特征,现有深度卷积模型同一层的卷积核大小相同,所以最终提取的是几何尺寸相同的局部特征,而在甚多实际应用中,很有可能不同大小区域的局部特征都对目标正确识别有很大的影响,为了充分捕捉到目标的不同尺度的局部特征,本文建立了基于不同大小卷积核的多路卷积网络模型以提高目标的正确识别率。(4)基于数据挖掘的卷积特征筛选方法研究。多路卷积神经网络模型提取的特征存在非常大的冗余,本文采用离散度比值、全连接层神经元权重贡献率对多路网络提取的特征进行初步筛选;然后通过遗传算法对特征进行进一步深度筛选。冗余特征的剔除不仅仅提高了目标的正确识别率,并较大地提高了识别速度。如果网络需要再次学习,还可极大地提高再学习速度和减少再学习需要的训练样本。为了提高目标识别精度与速度,本文首先基于统计方法建立卷积神经网络模型进行图像目标分割;然后建立了一个多路深度卷积神经网络识别模型并采用一系列数据挖掘的方法进行卷积识别模型结构的优化;最后利用MSTAR数据库对所提方法进行了实验验证。实验表明基于统计方法可以快速建立有效的卷积分割模型,多路深度卷积图像识别模型可以提高图像识别精度,联合利用挖掘方法优化多路卷积图像识别模型的结构,不仅可以提高识别精度,而且能较大地提高识别速度。