近年来随着深度学习的快速发展,图像分类相关的算法研究也逐步成为研究人员的热点课题,在工业产品分类领域有较为广阔的发展空间。传统的缺陷检测方法识别准确率低、泛化能力弱不能满足工业生产的需求。卷积神经网络通过对输入图片进行特征提取实现自学习从而进行分类,在多项大赛中取得惊人的成绩。科研人员通过不断增加神经网络的深度和特征面数目来提高网络的性能,但是网络模型越复杂训练难度和硬件要求越高。在实际的工业生产应用中不仅要考虑产品分类的准确率,还要根据流水线考虑网络模型的分类速度。针对以上存在的难题本文研究了基于改良卷积神经网络的产品分类算法,主要的研究内容如下:(1)本文首先对卷积神经网络的发展历程进行深化的了解,然后对卷积神经各层及其之间的关系进行阐述。依据卷积神经网络和深度神经网络的差异之处,按照深度神经网络的反向传播算法,推导出卷积神经网络的反向传播算法。并且总结了将卷积神经网络的前向传播算法和反向传播算法的推导过程。(2)针对目前常用池化算法存在的权重概率易导致特征缺失现象,提出一种拒绝-接受池化算法。它结合拒绝抽样的方法从池化区域激活的多项式分布中进行选择,采用随机过程确保了非最大激活有机会被选择并传递到网络,同时确保了强激活有更高的机会被采样。经过在不同神经网络模型上不同池化算法的实验证明,本池化算法对磁片数据集将有缺陷的产品和无缺陷产品分类的准确率有大幅度的提升。在公开数据集Cafir-10数据集上得实验结果表明此算法具有一定的普适性。(3)关于改进激活函数部分增强卷积神经网络的性能,本文提出了一种高效的可自动选择出最佳激活函数的卷积神经网络算法。该算法以VGGNet-19网络模型为基础建立了Disk Net,该网络通过加权概率学习曲线模型(WP-Model)进行预测选择最佳激活函数。在WP-Model中,首先使用马尔可夫链蒙特卡罗(MCMC)来推断预测值并确定预测概率,然后在VGGNet-19训练曲线中提取有效信息确定评估点(EP)。在Disk Net训练过程中当预测概率高于阈值时神经网络将选择当前激活函数,若训练次数超过EP点还未达到阈值则使用原激活函数。实验结果表明,改进后的卷积神经网络模型在磁片图像数据集上分类的准确率高达96.9%。