图像分类是计算机视觉的核心研究领域之一。在当今信息科技时代,人们在学习、掌握、运用信息时面临着新的挑战。信息处理和交流越来越复杂,信息的产生和传播极其迅速,图像数据每天以几何级数的方式增长。对含有丰富信息的图像的管理也要适应新的特点和新的模式。在上述背景和条件下,如何让计算机更加高效地管理海量的图像信息,以及对图像数据实施更快速、更精确的分类是一项很重要的研究课题。本文基于宽度学习、深度学习、集成学习提出了以下优化图像分类效果的模型和方法:1.提出了一种基于随机宽度学习网络的图像分类方法。首先利用随机生成的正交矩阵提取输入层的特征,构成多层多分支神经网络的特征节点,然后根据稀疏自动编码原理对提取的特征和期望输出进行拟合,利用交替方向乘子法求解优化每个节点的网络参数,最后对每个分支网络和每层网络的预测结果进行加权,得到最终的分类结果。所提出的模型无深度结构,求解简单,故训练时间较短,同时获得了较高的图像分类准确率。2.提出了一种基于深度残差网络优化模型的图像分类方法。将多个挤压激励模块分层引入残差网络,通过对不同网络层的特征图分配权值,提高网络的特征表征能力,采用交叉熵函数作为损失函数的损失项,利用交叉熵拟合一个均匀分布作为正则项防止过拟合,以提高网络整体的泛化性能。所提出的优化模型有效地利用了网络各层特征图的优势,提高了模型的鲁棒性,图像分类的准确率得到有效提高。3.提出了一种基于深度残差网络特征集成优化的图像分类方法。将预训练的深度网络模型所提取的多层特征进行稀疏自动编码,通过交替方向乘子法获取初级编码器权值,再对初级编码器输出进行稀疏自动编码得到次级编码器的权值,以加权的方式对各个次级编码器的预测结果进行集成,得到分类标签。由于所提出的优化方法只求解编码器参数,不需要训练深度网络,因此大大提高了训练速度。通过对编码器进行集成,提高了网络特征的表征能力,使分类精度得到了提升。