随着云时代的来临,大数据已经引起越来越多的关注。对互联网上的各种信息进行分类整理,对这些有意义的数据进行专业化处理,实现数据的增值是其根本目的。而对于广泛存在的图像信息,我们没有办法像文字信息那样简单地通过关键词检索识别其含义并将其进行分类。因此,如何通过计算机视觉与模式识别的方法对图像进行分类就显得尤为重要。虽然传统的模式识别方法能够用于对图像的分类,但同时也凸显出了一些问题。通常,识别的精度以及准确率很大程度上依赖于人为选取的特征,具有经验性和先验性。另外这些特征都是针对特定的识别对象选取的,具有片面性,难以应用到其他类别的识别及分类。随着深度学习的成功,卷积神经网络引起了广泛的关注。卷积神经网络算法模型能够将原始的图像信息逐层抽象,逐渐形成高层次的特征,并且这个过程是通过网络自己完成的,然后反复的调整权重从而达到分类的效果。本文围绕着卷积神经网络在图像分类领域的应用展开了研究,在国内外的一些最新成果的基础上,针对目前的卷积神经网络模型,从多个角度进行分析,并进行了诸多改进。在训练样本不足,或者训练过度时,常常会导致过拟合。受Dropout与DropConnect启发,本文将这两种正则化方法进行了融合,该算法能够提高卷积神经网络的稀疏性,很好地解决卷积神经网络的过拟合问题,提高了分类准确率。Adaboost是机器学习中一种很好的迭代算法,它能够将多个弱分类器结合成一个强分类器,从而提高算法的性能。本文将AdaBoost思想应用在卷积神经网络模型上,训练多个弱分类器并加权组合成为一个强分类器,并通过实验证明了这种组合的有效性。卷积神经网络的每一个卷积层通过激活函数对特征进行抽象,传统激活函数存在诸多不足,本文对已经存在的Maxout激活函数进行了改进,得到一种多层的Maxout激活函数。这种激活函数能够更好地对图像进行抽象,提升了网络的特征提取能力。