现如今互联网和多媒体技术飞速提升,随之而来的是大量图像数据的产生。对这些数据进行高效的分类和管理,不仅可以提高查询信息的效率,还可以为计算机视觉研究做准备,例如:目标检测和图像搜索。尤其是近几年来,在计算机视觉领域尤其是图像分类领域,深度学习技术获得了突破性的进展。它首先对人脑视觉神经系统进行模拟,然后对原始的图像采取抽象化的处理方式,由此获得与对象较为接近的高级语义特征,以进一步应用于图像数据分类。本文研究基于深度学习的图像分类。具体研究内容如下:（1）对于卷积神经网络识别效果与表达能力容易受激活函数影响的问题,以激活函数Softplus为基础,对其进行改进,提出了PSoftplus激活函数,并运用PSoftplus激活函数到卷积神经网络中进行图像分类。该函数引入了参数β,它的作用是负数输入时调整输出,设置坡度因子α来对函数整体进行修改,以此对在训练中呈现的梯度消失和爆炸现象进行改善。实验结果显示,与常用激活函数Re LU等进行对比,PSoftplus函数可以提高卷积神经网络的分类性能。（2）为了解决由于少样本的图像数据量少,提取的特征信息不足的问题,本文以卷积神经网络为基础,并对其进行进一步提高改进。首先,利用滤波器组,其大小分别为1×1,3×3和5×5,以从多方面获取图像颜色,纹理,空间等特征信息。然后在网络中加入残差学习模块以降低信息传递层数,从而使特征进入更深的网络层。通过对多个数据集的实验结果分析,得出此方法的应用可以对图像分类准确率进行提升,并且对图像特征信息的传递时间复杂度进行降低。（3）将迁移学习中的模型迁移方法作为基础,本论文提出了新的迁移融合的模型（Model Transfer-Fusion Network）,在多样本数据集中,此模型将训练好的深度网络模型参数,从源域出发向目标域迁移,该方式的运用可以合理高效地解决目标域数据过少而导致的过拟合问题。