图像识别任务主要是以图像的特征为基础进行的,其目的是让机器拥有像人一样处理图像信息的能力,一方面可以代替人类处理大量繁杂的图像数据信息,另一方面计算机对图像的像素信息较于人肉眼更为敏感,可以利用计算机的这种优势处理人类比较难处理的信息。深度学习的强大能力使得其在各个领域得以很好地应用,如机器视觉领域、自然语言处理、计算机辅助诊断以及其他商业领域。随着大数据时代的到来,尤其是李飞飞等人所收集的Image Net数据,以及以此数据集为基础的ILSVRC,使得深度学习在近几年来得以飞速发展。然而仍然有一些小数集或者数据标签不足的预测分类问题等待解决,如医学辅助诊断任务等。迁移学习是一种通过对原域的学习解决目标域问题的一种新的方法,能够在某些程度上解决训练CNN(Convolutional Neural Network)所需数据量不足引起的准确率低下的问题。迁移学习在深度学习领域的应用能够增强神经网络的学习能力,有力的提高神经网络的效率以及图像识别的能力。集成学习的办法能够稳定的提高卷积神经网络的识别效率。在近几年来集成学习的办法也被应用在各个机器学习的方法中,如何降低集成学习的成本也是研究热点之一。针对自然图像识别问题,本文分析研究了卷积神经网络的详细网络结构,以及卷积神经网络在对图像底层特征提取的详细过程;针对小数据集以及数据标签不足的预测分类问题,提出一种“集成迁移学习”方法。主要研究内容以及创新点如下:1.研究了卷积神经网络在图像识别任务时进行特征提取的详细过程,以及其反向传播参数更新的具体细节。2.研究了各个典型的卷积神经网络的图像识别的能力,并对他们的效能分别进行了分析;以及为了降低卷积神经网络的训练成本、提高卷积神经网络的图像识别准确率所采用的网络训练技巧进行了研究和分析。3.将集成学习和卷积神经网络权重参数迁移的方法相结合,提出一种新的图像识别的方法,称之为“集成迁移学习”,并通过实验,证明了该方法在降低卷积神经网络的训练成本的同时提高图像识别准确率的强大能力。