随着人们生活水平的不断提高,小龙虾不仅是风味小吃的一个新方向而且由于其体内含有大量虾青素也可以制作为药品来预防疾病。但是目前对于小龙虾的分类依然停留在人工检测阶段,不仅浪费人力资源而且识别准确率不高,进而导致小龙虾食品和药品安全问题。因此,对于龙虾的全自动加工、分类检测存在巨大的市场前景。本文研究关于图像分类算法,主要目的为设计一套包含卷积神经网络、对抗式神经网络、强化学习的算法来自动剔除黑虾、受损严重的虾和煮熟前死虾等问题虾。本文主要工作如下:(1)针对小数据集提出一种改进LeNet模型,解决了传统卷积神经网络LeNet模型准确率低、收敛速度慢,以及VggNet等模型过拟合问题。该模型在LeNet基础上使用ReLU函数替换Sigmoid来提高收敛速度,加入1*1卷积增加模型深度并利用其改变维度的特点来提高识别准确率,通过分解卷积和提出改进Dropout方法减少过拟合。实验结果表明:改进LeNet模型分类自制小龙虾数据集,比LeNet收敛速度快6000步并且准确率提高约15%,比VggNet和ResNet过拟合程度明显减少。(2)提出改进GAN模型解决了采集得到的图像数据量过少,以及GAN模型生成图像时存在模型崩溃和模型难以训练的问题。该改进模型首先在符合卷积神经网络原理基础上提出一种卷积网络模型作为改进GAN的判别模型,然后在原始GAN生成模型基础上使用ReLU函数,加入batchnorm层和反卷积模块来设计改进GAN的生成模型,最后使用先分类后生成图片的训练方法来减少改进GAN的训练时间和促进生成模型更好的生成图片样本。实验结果表明:在小龙虾图像生成问题中,相比GAN,改进GAN模型生成的图像样本总体可使用率提高了22.1%。(3)结合改进LeNet和Qlearning提出了一种动态分类算法,解决了单独将改进LeNet应用于动态数据集分类时出现准确率不稳定的问题。首先设计了包含智能体、环境、状态空间、动作空间以及奖励机制的马尔科夫决策过程将图像分类问题转换为强化学习决策问题,然后设计了动态模拟过程来准确的反映生产线上图像不断增加的情况,最后设计了动态算法以及训练方法来稳定分类动态数据集。实验结果如下:与单独使用CNN相比,动态算法在第一组和第三组实验中的测试集准确率提高了约10%,且准确率相差不超过0.3%。