图像分类是指根据一定的分类规则将图像自动分到一组预定义类别中的过程,它可以应用于许多领域,如人脸识别和医疗图像处理。传统的图像分类方法一般是使用人工设定的特征模式对图像进行特征提取,然后使用分类器对提取到的特征进行分类。然而对于具有复杂内容的图像,人工提取的特征难以符合实际需求,降低了分类的精度。相比传统基于特征的图像分类方法,深度学习可以实现自动提取特征,不需要人为干预,但是它提取的特征,没有对应的数学或物理含义,需要根据分类结果反复调整网络参数,以提取更合适的特征。深度置信网络是深度学习的分支,它有效的解决了特征有效性的问题,但是深度置信网络存在参数过多,导致优化算法优化困难,容易陷入局部最优。本文在总结研究深度学习图像分类方法的基础上,对运用深度置信网络模型解决图像分类问题进行了深入研究,设计了一个新的基于深度置信网络的图像分类方法及其网络参数优化算法。针对以上问题,本文具体工作如下:(1)提出可抛式堆叠受限玻尔兹曼机和分类网络构成的图像分类网络结构。本文使用堆叠受限玻尔兹曼机构成深度置信网络,该网络的目的是从图像中提取合适的特征,并且该网络可以验证提取特征的正确性。当特征提取完成后,堆叠受限玻尔兹曼机停止运行。特征被送到分类器完成分类任务。该网络可以避免同时调整特征提取网络和分类网络的参数,极大的减少了调整参数的困难。(2)提出了一种全局-局部的改进演化-梯度下降算法,该算法结合了演化算法和梯度下降方法的优点。将改进演化-梯度下降算法作为分类网络的训练算法,用于优化分类网络的参数。在改进演化-梯度下降算法中,首先使用梯度下降算法优化分类网络,当梯度下降算法陷入停滞时,梯度下降算法停止运行,改进的演化算法在梯度下降算法优化的基础上继续优化分类网络中的softmax分类器。该方法使用2种不同原理的优化方法,有效的减少了优化算法陷入局部最优的概率。(3)本文利用mnist手写数字图像数据集和葡萄酒数据集对该网络及优化算法进行了验证。实验结果表明,与其它图像分类方法相比,本文提出的分类方法具有更好的分类精度和抗过拟合能力。