随着计算能力的提高和科学技术的发展,图像识别技术的应用日益广泛。传统的图像识别方法是首先对图像进行复杂的预处理,然后凭借大量的实验和专业领域知识人工设计提取特征,这种方法在面对类别数量大、环境较为复杂的情况时,识别效果往往很难令人满意。近年来基于深度学习的图像识别技术成为人工智能领域的研究热点,深度学习系统对比传统的图像识别方法无需进行复杂的图像预处理过程,并且网络可以自行学习归纳出特征而无需人工设计特征。卷积神经网络模型是在图像识别方面应用最为广泛的一种深度学习模型,本文深入研究基于卷积神经网络模型的图像识别方法,在经典的卷积神经网络Le Net-5模型的基础上进行改进,并将改进后的网络模型应用于油田管线钢号识别中,本文做出的工作如下:首先,为获得图像的多样性的特征,提出改进的卷积神经网络结构,在经典的卷积神经网络结构的基础上加入递归神经网络,输入图像首先经过第一级卷积神经网络提取浅层特征,再经过由递归神经网络和卷积神经网络并行组成的第二级网络以学习其深层次特征,最后将学习到的特征融合后进行分类。实验结果表明改进的卷积神经网络结构更有利于获取图像的多样性特征,在同等实验条件下,比传统网络的识别率有所提高。其次,提出改进的卷积神经网络算法,该算法对卷积神经网络的代价函数进行改进,在最小平方误差代价函数中引入改进的加权Fisher准则,在确保系统的实际输出与期望输出的残差最小的同时,使得同类数据之间的距离更近,不同类数据之间的距离更远。实验结果表明该算法提高了一定的识别率,特别是当训练迭代次数或者训练数据较少的情况下,该算法的识别率提升效果较为明显。最后,将改进的卷积神经网络应用于油田管线钢号识别中,将采集到的钢号图像进行图像灰度化处理,利用Canny算子进行边缘检测定位,并对倾斜图像采用Hough算法进行倾斜矫正后,将图像进行分割,最终构建钢号图像样本集。研究小样本集下的卷积神经网络的训练问题,通过样本扩充以及迁移学习理论的方式,解决训练过程中易产生的过拟合问题。实验证明,与传统的钢号图像识别方法,本文提出的方法获得了更好的识别效果。