图像分类任务一直是计算机视觉领域研究的热点。面对浩如烟海的图像分类数据,传统的特征处理方法已显得捉襟见肘,而随着计算机计算性能的提高,现有的卷积神经网络解决了大部分的图像分类问题,但仍面临网络构建难度大、分类精度不高、计算消耗大等问题,以至于网络模型无法得到进一步地推广应用。针对上述问题,本文从特征融合和权重共享的角度提出了改进的卷积神经网络模型,分别如下:第一,针对现有的卷积网络仅仅依靠原图像的学习特征预测待测图像的类别,忽略人工设计特征对分类结果的影响,提出了一种新的融合显著性特征和深度学习的图像分类算法,该算法首先利用显著性特征和原始图像的BGR特征进行级联融合,然后卷积网络对融合后的多特征图进行自动特征学习,以提取图像的多样特征,最后利用Softmax分类器对图像进行分类,数值实验结果表明,所提模型是一种鲁棒性强、分类效果好的新型图像分类方法。第二,针对现有的大多数卷积网络利用网络深度而造成的巨大参数量和对输入图像的尺度特征缺乏鲁棒性问题,提出了权重共享耦合卷积神经网络。首先,训练集上的图像和经缩放处理后的图像同时输入权重共享的耦合网络,以提取多尺度输入特征;然后,在层级网络内部,利用多层卷积提取同一输入的图像特征;其次,利用特征融合思想将两种特征融合,以增强网络对多尺度特征的鲁棒性,最后,优化网络参数,实现网络的高效特征提取和学习。在cifar、fer2013等数据集上的实验结果表明,所提模型取得了较高的分类精度,证明采用特征融合和权重共享等机制设计的卷积神经网络是解决多尺度图像分类精度问题行之有效的方法之一。该论文有图32幅,表19个,参考文献85篇。