随着数字信息技术的高速发展,数字图像的数量和类别呈现爆炸性增长的态势。如何对这些图像进行有效的组织和管理是一项具有挑战性的课题,图像分类是解决该问题的有效方法。近年来,基于概率混合模型的图像分类方法受到了国内外学者的广泛关注。传统的混合模型聚类法一般采用高斯分布假设来构建图像分类模型,这主要是由于其参数估计易于实现。然而,图像数据有着与高斯分布截然不同的特性,例如非对称性,有界性等,这些图像数据的特性显然服从非高斯分布。虽然可采用基于逆变换采样、线性变换等传统方式对非高斯图像特征进行建模与分析,但是这些方式无法准确的描述其图像数据的非高斯特性,从而影响模型的分类性能。另外,概率混合模型已有学习算法的计算成本高,难以适应大规模图像分类任务的要求。首先,针对Gamma混合模型的传统变分推断过程处理速度问题,提出了一种基于伽马混合模型的随机变分方法。采用随机变分推断方法推导出可用闭式解表达式描述的参数估计算法。首先进行随机抽取数据,采用随机抽样的思想进行数据抽取;其次通过随机抽取的样本求解局部变分参数,进而得到中间全局变分参数;最后通过上一次迭代的全局变分参数和本次迭代的中间全局变分参数得到本次全局变分参数。其次,针对大规模图像分类任务的处理效率问题,提出了一种基于卷积神经网络与伽马混合模型随机变分推断的图像分类方法。首先通过卷积神经网络提取图像的深层特征,准确建模图像特征的内在结构;然后采用伽马混合模型建模图像特征的潜在分布;最后基于构建的Gamma混合模型的潜在分布对提取出的图像特征进行分类。最后,通过真实数据集CIFAR-10和Fashion-MNIST的实际图像分类应用验证了所提算法的有效性和可行性。实验表明,它具有较好的计算速度和分类精度,为解决大规模图像分类问题提供了有效的技术手段。