图像特征提取和融合是将图像中的特征提取出来，并使计算机能够据此分辨图像中不同物体的过程，是深度学习图像识别领域中研究热点方向。现有较为成熟的方法是卷积神经网络，但其训练样本不足的情况下，会在深度学习框架训练过程中出现过拟合、难拟合问题，从而降低了准确率。本文针对小样本情况下，卷积神经网络准确率不高的问题，通过改进卷积神经网络训练流程，以及设计特征提取和融合算法，提高了在小样本情况下人脸识别的准确率。主要内容如下：
　　第一，介绍深度学习图像特征提取和融合关键技术，主要内容包括人工神经网络、BP算法和深度神经网络等。
　　第二，针对图像样本不足，本文围绕如何有效利用小样本数据提取特征，及特征融合等问题展开研究，提出了基于CNN自混合模块的人脸识别改进方法。根据CNN提取特征方式与训练流程，以及特征图像素分布，运用自混合模块，即交换重组图像特征的方法，形成新样本特征图集用来训练，充分利用有限特征。
　　第三，针对深度学习在图像识别应用中过分依赖标注数据的问题，提出基于特征交换的CNN图像分类算法。通过CNN特征提取的方式结合全卷积神经网络像素位置预测功能，将卷积神经网络卷积层提取出的特征图与同类标签特征图交换，充分将有限的图像特征融合，以解决深度学习在图像识别中对标注数据依赖度较高的的问题。
　　实验结果表明，本文提出的交换特征图算法，在较低标注数据依赖度的情况下，可有效提升网络识别准确率，使识别率优于使用三倍原始数据训练的网络。基于特征交换的CCN图像分类可以有效减少标注数据依赖，尤其针对一些特定的数据集效果更明显，可应用于不能大量获取样本领域的小样本数据情况，可有效节省训练成本。