卷积神经网络(CNN)是一种应用在图像识别上的深度学习方法,在许多图像识别数据集与真实应用中,它实现了一系列引人瞩目的结果。与依赖于手工特征的传统图像识别方法相比,基于CNN的图像识别方法能够从训练数据中自动学习特征。然而,与其他深度学习技术相似,基于CNN的图像识别方法需要大量被标注完成的训练数据,这些数据需要大量的成本和时间去收集。因此,在没有大量数据集的情况下,如何在新领域训练一个有效的CNN模型,已经成为了一个重要的研究问题。为了解决上述挑战,本文通过利用预训练的CNN模型,提出一个基于深度学习和迁移学习的算法框架,并且应用到多任务图像分类问题上。本文首先介绍了基于CNN模型做迁移学习的方法,分别在不同的预训练模型上、不同的网络结构上、不同的数据集规模上和不同的微调深度上做了对比实验,对如何基于预训练的CNN模型微调一个较好的模型给了指导性的思路。然后提出了一个自适应微调深度的迁移学习方法,它能够自动找到最佳的微调深度,并且得到较高的模型准确率;通过实验与分别微调不同深度的方法进行对比,验证了该方法的可行性。再提出了密集-稀疏训练方法,它通过使模型稀疏化达到提升准确率的目的;在FOOD101数据集训练得到的模型上做实验,我们发现能够提升一个百分点以上。最后总结出参数共享的多任务图像分类方法,它共享了部分参数以提升预测速度,同时保证较高的准确率。以上的几种方法实现了在准确率和预测速度上的共赢,现在已经成功应用在实际的多任务图像分类工程项目中。