随着多媒体技术的发展和互联网的日益普及,人们生活中所接触到的图像信息与日俱增,面对巨大的图像数据,传统的人工分类标注图像的管理方式变得不再可行。现有诸如支持向量机、仅含一层隐层的神经网络、核回归等一些机器学习方法都是采用浅层学习结构,这种有限的样本数量和计算单元对复杂函数的表示存在明显的不足,在复杂的分类问题上更难以有效地表现性能和泛化能力。神经网络构建的深度学习方法取得了很多突破性的进展,在计算机视觉、语音识别、自然语言处理等领域也出现了大量的创新应用。深度学习是一个模拟人类大脑学习机制的过程,采用多层神经网络对现实对象或者语音、文本等数据进行抽象表达,将抽取的特征与分类器结合到一个学习框架下,对相关对象进行分类识别等。这种采用深层非线性结构的网络,能够对复杂函数实现逼近,分布式表示输入数据,并能够抽取到输入数据的本质特征。针对传统场景分类需要人工设计特征以及特征存在的鲁棒性不强的问题,本文结合深度学习方法进行场景分类,构建了一种能够提取多种场景图像特征的深度卷积神经网络模型。该模型能够利用深度卷积神经网络框架自动的从场景数据库中学习场景图像的特征。根据深度卷积神经网络分层提取图像信息的特点,该模型的底层采用较小的卷积核,可以提取到更多的底层图像特征,为高层特征奠定了良好的基础。同时,利用深度卷积神经网络最后一层4096个神经元作为场景特征,分别训练出不同场景模型,并结合Lib-SVM多分类器直接对场景图像原图进行分类。通过在两个数据集上的实验验证,表明深度卷积神经网络可以有效地提取场景特征,并使训练出的场景模型具有较强的泛化性能和较高的分类准确率。