深度学习在人工智能领域内取得了巨大的发展,并且在人脸识别、目标检测以及语音识别等方面应用广泛。卷积神经网络作为深度学习中最常用的模型,不需要像人工设计的提取算法那样先对图像进行预处理,它能直接对图像进行卷积和池化操作学习到图像的内部特征信息。卷积神经网络被认为是学习图像内容的最佳技术之一,并且在图像识别、分割、检测和检索相关任务方面显示了最佳的效果。但是现在大部分卷积神经网络只能针对图像通道中的某一个通道进行单向的训练学习,并且只能以整幅图像作为输入提取特征而忽略了以多区域图像作为输入的特征,使图像的一些重要信息不可避免地丢失了。现有的深度卷积神经网络模型还存在网络结构复杂、计算量较大等问题,从而无法在实际中有较广泛的应用。本文主要从改进深度卷积神经网络模型和深度卷积神经网络模型与轻量级网络结构结合的角度进行了分析研究,提出一种基于多区域特征的深度卷积神经网络模型(MR-CNN)及基于SE模块改进的MRSS-CNN模型。本文的主要内容如下:1、介绍了深度卷积神经网络的发展进程、基本结构、创新改进和四种经典的卷积神经网络模型。2、提出了一个基于多区域特征的深度卷积神经网络模型(MR-CNN)。模型首先对图像进行多区域划分,然后用标准卷积操作得到图像的特征信息,接着利用多区域的输入来学习上下文交互特征。通过把全局区域和多个分区域的特征信息级联得到更加有用的特征信息,然后把级联后的特征信息输入卷积层,使得模型以一种信息补充的方式提取图像的上下文特征信息,最后通过Softmax函数对图像进行分类。在MNIST数据集和Cifar-10数据集上进行实验,实验结果表明,该模型结构简单,参数量较少,且多区域特征融合上下文信息建模比单区域特征建模具有更好的鲁棒性和更高的分类精度。3、为了使MR-CNN的学习能力有进一步提高,本文研究了SENet轻量级网络的结构特点后把SE模块结构融入到MR-CNN模型中。改进后的MRSS-CNN模型不仅考虑到了图像的多区域,还考虑到了图像不同区域特征通道的重要性。同时使用跳跃连接将底层特征信息传递到高层特征,构建的残差网络缓解了深度神经网络的退化问题和梯度消失问题。通过在Cifar-10数据集和STL-10数据集上进行实验,验证了MRSS-CNN模型能进一步提高MR-CNN模型的分类效果和鲁棒性。4、本文将MR-CNN模型和MRSS-CNN模型应用到具体的图像分类任务中,实验结果表明MR-CNN模型和MRSS-CNN模型在垃圾分类的任务中都取得不错的效果,但MRSS-CNN模型比MR-CNN模型具有更高的精度和更好的鲁棒性,更有应用价值。