局部感受野、参数同享和池化方式的引入,使得卷积神经网络结构更加简略清晰,拟合参数更少,并且具有对抗数据集扭曲,平移,转动的特性。常规图像分类方式需要预先根据不通过任务不同数据集以人工或半人工形式提取特征,而卷积神经网络相反,是端到端的自主进行层次化的特征提取,因此具有更高的识别率和更广泛的实用性。卷积神经网络的涌现极大激励了计算机视觉和模式识别算法模型的更新换代,也鞭策了科研人员对图像分类识别算法的研究。传统卷积神经网络在逐层提取特征时存在随机性,向同一结构的卷积神经网络输入同一数据集也会提取到各异的特征。该特征差别可以扩充特征维度,有利于发掘图像的更深层次特征。根据分类数据集的不同,图像识别分类范畴可以划分为两块:粗粒度图像和细粒度图像(Fine-grained image categorization)的识别分类。顾名思义,细粒度图像互相间差异程度更微小,差异精度更高,细微的局部差异才是区分类别的关键,并且姿态,光照,遮挡,背景干扰等诸多未知因素对于细粒度图像分类的干扰更大;传统低秩复原模型忽略图像区域在空间和模式上的联系及相似的低秩矩阵和稀疏矩阵较难分开。基于以上问题,本文在优化池化组合的基础上,在另一子网络中引入自适应池化丰富差异特征,实现多尺度池化并提高特征表达层次,再根据互补测量函数测量子网络间的特征差异的互补性,把差异值作为微调阶段损失函数的惩罚项,反向传播微调模型参数,提高图像分类的精准度。而且为解决传统卷积神经网络在细粒度图像数据集上分类精度不高和细粒度图像分类中背景干扰和依赖强监督约束的问题,本文在多尺度池化的基础上引入了改进的显著性分析模型(将树形结构诱导范数和拉普拉斯正则化项引入低秩复原模型,提高该模型的前景检测精度,精确定位数据集样本中的显著区域,抑制背景干扰)。在MNIST和CIFAR-10图像集上的实验结果表明,基于多尺度池化的卷积神经网络的分类能力优于现有的深度卷积神经网络,并且在引入改进的显著性分析模型后,该算法在细粒度图像数据集Cars和Stanford Dogs上取得了86.83%和82.71%的精准度,比其他模型性能更好。以上试验结果表明,本文提出了一种基于多尺度池化和显著性分析的卷积神经网络分类算法,优于传统细粒度图像算法的分类精度,并且不需要人工标注信息,鲁棒性和通用性强。