随着社会物联网化的高速迅猛发展,卷积神经网络（CNN）在如此庞大数据训练和学习中显得捉襟见肘,究其原因在于卷积神经网络模型的训练需要消耗大量的时间与计算资源,不适合解决大规模优化问题。基于此,本文利用分布式优化技术设计了一个分布式优化算法,与逻辑回归器相结合形成混合逻辑回归器,构建一个蔬菜图像识别模型。利用卷积神经网络进行蔬菜图像特征提取,并设计优化算法并应用于蔬菜模型进行分类,最后通过对仿真实验得到分类精准度以此验证优化算法在蔬菜图像识别中的优势。本文的主要研究工作如下:（1）创建用于卷积神经网络训练和测试的研究对象图像数据集。首先,合理利用图片采集方法-手动拍摄和爬虫下载等采集蔬菜图片;其次,初步对图像进行了简单的标注和图像的剪切;然后,利用背景置换、随机剪裁等图像处理方法得到不同类别样本数量均匀的数据集;最后通过对图像的归一化和标准化来减少训练计算量。（2）构建卷积神经网络。首先,构建一个包含3层卷积层,2层池化层,两层全连接层的Let Net神经网络并设定合适的参数;其次,根据所研究内容需求选取合适的激活函数、代价函数和优化器;其次,基于构建Let Net-5网络的图片分类模型;最后,进行训练获得最优模型及特征提取器。（3）结合卷积神经网络和逻辑回归模型的优点,集成了混杂分类器模型。用迁移学习的方法,以神经网络训练的特征向量作为输入对基于分布随机算法的逻辑回归器进行训练,并对蔬菜图像测试集进行分类。重点设计了一个新的分布式随机近端优化算法以优化逻辑回归模型,并严格证明了其精确度和收敛性。数值仿真结果表明分布式随机近端优化算法在图像分类应用上的可行性。