随着人工智能技术的快速发展,人类进入人工智能时代。由于图片数据爆发式增长,人为手动管理大量图片数据变得越来越困难,快速高效的管理照片显得更加重要。因此,通过一套智能化相册管理系统显得尤为必要和紧迫。为此,本文构建了一套智能、快速、便捷的场景识别系统,有效的解决了现有问题,提升了用户管理图片的效率。通过结合深度学习技术,设计并实现了一款场景识别系统。本文设计并实现了基于深度学习的场景识别系统,实现了图片识别、图片上传、相册管理、图片管理、图片分享等功能。针对场景识别这一关键问题,在面对MobileNet V2网络模型识别性能指标无法达到识别时间小于100ms和精确度达到90%的性能需求时,对原生MobileNet V2进行改造和剪枝操作实现了MobileNet-Beta的网络模型。该模型在保证系统识别速率的同时提升模型识别准确率,并引入Tensorflow Lite移动框架实现将MobileNet-Beta模型移植到Android工程中,并在移动端完成场景识别功能。具体来说,本文的主要完成的工作内容如下:(1)分析系统的功能需求和非功能性需求。采用用例描述分析了系统的实际业务,并且对系统子模块进行建模,并重点对场景识别的性能要求进行总结和梳理。(2)对系统进行设计与实现。首先进行系统架构设计,包括系统网络架构和移动端架构。并且对系统功能进行分解,根据系统的功能分解图对每个功能模块进行详细设计与实现,主要使用活动图进行描述功能的设计与实现。然后对网络模型进行设计与实现,主要包括图片数据集的构建、MobileNet-Beta网络结构的设计以及网络模型训练,得到最优的模型参数。最后进行数据库和服务器的设计与实现。(3)对系统进行测试和分析。主要介绍系统的开发环境、测试环境和系统部署,然后根据系统功能测试用例表对系统各个功能模块进行测试,验证系统功能是否满足要求,最后从系统性能角度对系统非功能指标进行测试,包含系统识别时间测试和系统内存资源占用测试。该软件应用最终的准确度达到91.98%,系统识别时间控制在90ms左右,内存占用15%左右,结果表明本文提出的基于深度学习的场景识别技术系统的准确性、可行性。