卷积神经网络(Convolutional Neural Networks,CNN)能够提取图像的颜色、纹理、形状及拓扑结构等深层次特征,在识别位移、缩放及其他形式扭曲不变性的应用上具有良好的鲁棒性和运算效率。但在将CNN应用于图像数据的迁移学习任务时,却存在着全连接层特征维度高、参数量巨大造成的计算效率低的问题。据此,借鉴迁移学习的思想,提出了一种替换CNN全连接层的网络结构,即更高效的基于CNN的深度低维可判别学习框架。首先,采用传统的CNN对图像数据进行高维冗余特征(全连接层之前的特征)的提取,以解决迁移学习在源域与目标域分布差异上对模型的影响以及微调阶段所导致的模型过拟合等问题。然后,使用线性判别分析(Linear Discriminant Analysis,LDA)将高维特征映射到低维空间,以解决高维特征直接接入字典学习时,大量冗余信息造成的计算效率低的问题。最后,将字典学习与低维可判别表示学习相结合,利用字典学习的稀疏表示挖掘隐藏于高维数据(特征)的非线性潜在判别信息,并利用标签一致性原理在字典学习的同时完成分类。实验结果表明,该框架在The Extended Yale B Faces等公开数据集上最优的分类精度可以达到99.92%,与传统的CNN相比显著提升了图像的识别率。并且在保证识别率的同时有效减少了训练参数的数量,降低了训练时计算资源的消耗。与原始深层卷积网络相比,本文框架舍弃了参数量巨大的全连接层,不仅保证了原始高维图像数据的多样性,且增强了有效信息的鲁棒性。同时该框架对图像分类表现出的优越性能,表明将图像的高维信息迁移到更稀疏的体系结构一般是可行且有用的。该论文有图33幅,表15个,参考文献59篇。