图像分类是计算机视觉的基础问题。随着人工智能和计算机视觉的蓬勃发展,越来越多的高校和企业投入了大量精力到图像分类研究中。顾名思义,图像分类是利用图像处理和人工智能的方法提取图像特征,然后确定图像的类别。传统的图像分类算法首先提取图像的颜色特征、纹理特征、形状特征、空间关系特征,然后训练一个分类器来对图像进行分类。传统图像分类算法的分类精度受到特征的典型性和区分性的限制。本文使用特征编码和多层空间特征金字塔来获得更全面和更具判别力的特征。本文的主要工作如下:(1)提出了一种基于深度网络高斯聚合编码的图像分类方法。首先利用深度卷积神经网络提取特征,然后将提取到的特征进行高斯聚合编码,最后将编码后的特征输入到全连接层对图像进行分类。该方法将深度学习与高斯聚合编码进行结合,使所获取的用于分类的特征有更加丰富的语义信息同时该特征具备一定的稀疏性,实验结果表明,所提出的算法具有更高的分类准确率。(2)提出了一种基于深度网络多层空间特征金字塔模型的图像分类方法。网络底层特征主要表示基础语义信息,高层特征描述的是对图像分类更具判别力的复杂语义信息,通过多层空间特征金字塔的方式将底层特征和高层特征有效融合,然后将融合后的特征输入到全连接层进行分类。该方法将图像信息的特征表达更全面和具体,在此基础上训练图像分类网络模型可以达到更高的分类精度。(3)提出了一种基于OpenCL并行加速的图像分类方法。首先构建实时分类轻量级卷积神经网络模型,然后通过指令矢量化的方式优化卷积神经网络的每一层,实现网络各层的并行加速。该方法基于开放运算语言(OpenCL),适用于CPU,GPU,FPGA等多种异构系统。实验结果表明,该方法图像分类效率在GPU(GTX 1080)平台可达到每秒229幅图像,在FPGA(Stratix 10)平台可达到每秒25幅图像,图像分类精度均为93%。