深度学习技术近些年在人工智能领域占据着越来越重要的位置,特别是在图像、语音识别、语言处理方面展现了巨大的运用优势,基于深度学习的图像识别技术已经得到了广泛的应用。目前,这些应用由于其复杂性大都存在于大企业或大机构,对于一些个人、团队、体量小的企业想要根据自己的需求定制一个图像识别模型是较为困难的。为了降低定制图像识别模型的复杂度,本文设计并实现了一个基于深度学习的定制化图像识别系统。通过该系统,用户根据自身的需求制作数据集并上传,然后在系统定制界面中配置相关参数,系统将依据配置参数对模型训练、模型评估以及对模型进行部署,从而实现了对图像识别模型的定制。本文的主要工作如下:（1）定制化图像识别模型的研究。在定制图像识别模型时,可以从如下三个维度定制:第一,对图像识别中最核心的图像分类、语义分割和目标检测三种模型进行定制,在对模型定制之前,依赖于预先设计好的模型。在图像分类模型中,利用主干网络来提取图像的特征,然后在网络的顶端使用全连接层来输出每个类别上的概率。该模型在Image Net Te数据集上最高实现了99.87%的准确度,其结果与其它模型相比表现得更优。在语义分割模型中,提出了基于编码器-解码器结构的特征金字塔聚合网络（Feature Pyramid Aggregation Network,FPANet）。在编码器阶段,该模型使用主干网络来提取图像在各个分辨率下的特征,即金字塔特征,并在网络的顶端设计了一个轻量级的空洞空间金字塔池化模块用于增强特征的语义信息。在解码器阶段,提出了一种双路特征金字塔网络来增强已提取的特征,在该网络中,提出了特征金字塔融合模块去融合不同层级上的特征。最后,提出了边界优化模块去改善模型对小对象和边界分割不准确的问题。该模型在Cam Vid和Cityscapes数据集上分别取得了m Io U为75.5%和75.9%的准确度,其结果已经超越了主流的模型。在目标检测模型中,提出了一种基于Anchor Free的单阶段检测网络（One-Stage Detector,OSDet）,它依赖于主干网络提取金字塔特征,然后设计了一个特征金字塔网络来增强金字塔特征的表示能力,最后利用金字塔特征进行检测。该模型在公开的PASCAL VOC数据集上最高实现了AP为82.89%的准确度,其结果优于其它模型。第二,在不同的计算平台上对模型进行定制。为了使模型发挥更好的性能,本文针对CPU和GPU分别设计了两种不同基础的网络结构模块。第三,在不同的性能上对模型进行定制。为了满足模型在不同性能上的需求,本文设计了神经网络搜索算法去搜索图像分类、语义分割和目标检测所依赖的主干网络,以此来提供高速度和高准确度的模型。除此之外,还可以使用神经网络搜索算法在期望的模型性能条件下搜索模型的网络结构。（2）模型训练模块的设计与实现。用户定制模型完后,将会对模型进行训练。由于Py Torch本身并不自带完备的训练模块,所以本文针对于Py Torch设计了一个训练框架,该框架除了对模型进行训练外,还提供了数据可视化、模型存储、模型评估等功能。（3）模型部署模块的设计与实现。训练模型完后,为了实现在客户端上对图像进行识别,需要将模型进行部署来为客户端提供调用的接口。本文提供了两种模型部署的方式,一是将模型部署在服务端,用户依据HTTP接口的规范发送请求,即可完成图像识别任务;另一种是选择将模型导出,部署在移动端等设备上。（4）定制化图像识别系统的设计与实现。本文将以上图像识别模型、模型训练模块和模型部署模块进行集成,设计并实现了一个具有Web界面的定制化图像识别系统。通过该系统,用户无需编写代码即可完成对图像识别模型的定制,从而降低用户定制模型时的复杂度。