图像表示是数字图像处理和分析的一个重要核心问题,也是当今在计算机视觉领域研究的热点。常见的图像表示方法一般不能充分考虑图像中所包含的内容,难以较好的满足高层和低层计算机视觉任务的要求,诸如图像去噪和分类等。基于图像特征的图像表示方法可以很好的解决这个问题,但这类方法通常不用来做图像重构任务。因此基于图像特征表示的高层和低层计算机视觉任务是一项值得研究且具有挑战性的课题。本文设计并实现了一种基于反卷积网络的图像去噪和分类模型,实验结果表明该方法具有一定的先进性和潜在应用价值。首先,介绍了反卷积网络的理论及实现方法;然后,利用反卷积网络推导出来的网络滤波器和特征图对噪声图像进行重构,实现了一个图像去噪方法;最后,把反卷积网络推导出来的特征图编码成特征向量,使用SVM分类器实现图像分类方法。实验结果表明,反卷积网络具有良好的特征学习能力和对图像中低层图像特征良好的建模能力。本文的主要工作有以下几个方面:1.本文首先系统地综述了反卷积网络及其学习过程。鉴于基于图像特征的图像表示方法可以很好地满足高层和低层计算机视觉任务的要求,但其通常不被用来实现图像重构及去噪。本文设计并实现了基于反卷积网络的图像去噪及分类模型。2.基于反卷积网络推导出来的网络滤波器和特征图设计图像去噪方法,从而实现图像去噪功能。实验结果表明,本文的去噪方法相比其他常用的去噪方法具有一定的优越性。3.针对图像特征表示在图像分类中面临的难点,通过反卷积网络优化图像特征表示,构建高效图像分类模型。利用本文设计的方法对Caltech-101图像数据进行分类,取得了66.8%的分类正确率。