图像分类是目前图像研究领域一个重要课题之一,找到一种能对不同种类或者发生变化的图像数据集进行分类且都具有普适性和高效性的方法将是十分必要的。常用的图像分类方法有手工提取特征的方法、基于语义的分类方法和基于神经网络的分类方法。目前比较流行的是基于神经网络的分类方法,由于该方法能通过自学习的方式学习图像并提取图像特征,识别分类图像能力较强,且计算速度快等原因,深受研究者们喜欢。但基于神经网络的分类方法也有不足之处,比如当训练样本发生变化时,已经训练好的神经网络模型不再适用于已经发生变化的训练样本。再次利用神经网络模型进行重新训练,需要大量新样本。为了避免神经网络的重新训练、分类准确度降低和大量时间的消耗等问题,本论文将提出基于神经网络自适应更新参数用以图像分类的新方法。主要创新工作如下:(1)针对不同的神经网络模型对同一种数据集进行分类时分类准确度不同的问题,提出一种网络分类模型性能评估方法。首先,建立一种评估标准以找到一个最适合某类数据集进行分类的神经网络模型;其次,利用不同的网络模型分别对相同数据集中的图像进行特征提取,然后再进行训练和分类,以便找到最适合该类待测试数据集的网络模型结构;最后,利用不同的网络模型对该类数据集分类结果进行评估分析。(2)针对已经发生变化的数据集,而不再适合利用原先已经训练好的网络模型对其进行分类的问题,提出一种网络分类模型中参数自适应更新方法。首先,利用卷积神经网络模型参数进行训练;其次,鉴于基于光照漂移下获得的新的标签样本,建立基于卡尔曼滤波的网络参数自适应更新方法,以避免结合新样本对网络参数的重新训练;最后,通过实验仿真结果来验证该方法的效果。(3)针对图像遭受高污染(如高噪声或扭曲等)导致图像部分像素点信息丢失而单纯的网络分类模型中参数自适应更新方法不再适合此类图像分类的问题,提出一种适用于高噪声图像的神经网络模型参数调整方法。首先,鉴于增加的高污染样本图像信息不完整,信息丢失的图像中各个特征维度对网络输出影响不同,可提取各维度的参数;其次,在此层上建立各特征变量对输出结果的平均影响函数,以确定各变量的权重值,再次利用卡尔曼滤波自适应更新参数;最后,通过图像分类效果验证方法的有效性。