分类与检索五金件是众多箱包企业的重要生产环节,因此研究一套适用于实际生产需要的五金件图像分类与检索系统具有重要的应用价值。论文致力于解决五金件图像准确率不佳、各类别分类性能不均衡和图像背景影响的问题,提出了基于融合优化卷积神经网络模型的五金件图像分类算法。论文的主要研究内容以及工作如下:（1）针对准确率不佳、各类别分类性能不均衡和图像背景影响的问题,提出了融合模型分类算法。首先,从三类网络中挑选出准确率最高的模型（Efficient Net-B3）,再从剩余两类网络中选出各网络下准确率较高的模型（Res Ne Xt50和Alex Net）,目的是为了挑选出各类网络下较高准确率的模型;其次,对比分析三个模型在各类别下的分类性能,选出与Efficient Net-B3模型在各类别下分类性能互补的模型（Res Ne Xt50）,目的是为了均衡各类别的分类性能;再次,对Efficient Net-B3和Res Ne Xt50的模型输出类别概率采用加权平均法,目的是为了赋予不同权值以获得更佳分类性能的融合模型;最后,对五金件图像缩放裁剪,目的是为了突出分类目标、减少背景干扰,从而缓解图像背景的影响。（2）融合过程中的模型优化。首先,使用迁移学习训练Efficient Net-B3和Res Ne Xt50网络并微调全连接层参数,目的是为了利用底层特征提升两个模型的分类性能;其次,改变Efficient Net-B3网络的图像尺度,目的是为了弥补缩放网络固有的次优问题,从而提升模型的分类性能。（3）对融合优化卷积神经网络模型进行有效性验证。在真实的五金件图像数据集上对所提出的融合模型进行了较充分的有效性测试与结果分析,实验得到分类的准确率为97.73%,精准率为96.41%,召回率为97.02%,F1值为96.71,这些指标均优于对比实验的算法,提升了五金件图像的分类性能,能较好满足箱包企业实际应用要求。