图像分类问题可被看作类别级的物体识别与检测问题,目前已成为计算机视觉领域的基础性问题之一。在图像分类领域,卷积神经网络已被广泛用于图像特征提取和分类。该网络利用卷积运算在善于处理大批量数据的优势,将卷积运算结合到深度神经网络框架中,达到了对包含大量像素数据的图像进行特征处理的目的。在卷积神经网络中,所提取的局部特征通常反应图像局部像素信息,其中有些特征的类间差异较小,对分类贡献不大,甚至没有,影响图像分类精度。针对上述问题,本文根据卷积神经网络提取的图像特征,基于特征选择算法改进网络的全连接层,从而选出对分类贡献较大的特征参与图像分类。根据卷积神经网络提取的训练集图像特征,该方法采用特征选择算法选出其中对分类贡献较大的图像特征,并根据被选特征实现分类器重构。此外,鉴于训练集图像通常存在类别标签,考虑类别标签在针对图像分类问题的特征选择中能够提供帮助,本文在卷积神经网络提取图像特征的基础上,提出了基于类间分布差异的特征选择算法。所提方法采用Gauss混合模型对各类样本特征集的分布情况加以描述,根据Gauss函数的数值特征设计指标衡量类间差异,从而选出类间差异较大,对分类贡献较大的特征。实验结果表明,所提图像分类算法不但能够有效提高卷积神经网络的图像分类精度,还能较好地处理分类器过拟合问题。此外,实验结果还证实了,所提特征选择算法在图像分类方面具有较高的准确性和鲁棒性,揭示了利用类别标签对图像分类特征选择的积极影响。