图像分类识别主要是从原始图像里划分兴趣区域并进行准确分割,并在此基础上进行分类识别任务。近年来计算机视觉与模式识别特别是卷积神经网络的发展,为分类识别提供了良好的技术支持。由于图像分类识别在视频监控、人脸识别、图像分类检索等方面有着广泛的应用前景,因此越来越受到计算机视觉领域研究者的广泛关注与研究。卷积神经网络是近年发展起来,并引起广泛重视的一种图像分类方法,传统识别方法需要训练大量网络参数,造成了训练时间的增加和网络的过拟合;输入集需要进行前期预处理,丢失了图像的原有特征。与传统方法不同,卷积神经网络不需要针对特定的任务采集图像的特征,而是模拟人类的视觉系统层次化、抽象的产生分类结果,卷积神经网络创新的采用了局部感受野,权值共享,卷积采样技术,减少了网络的训练参数数量,提高了识别速度,使得其在图像识别领域得到了广泛应用。本文从神经网络的基本概念和算法入手,深入研究神经网络理论,进而研究卷积神经网络,通过阐述常见卷积神经网络的不足,在传统卷积神经网络上修改网络结构,提出了基于动态随机卷积神经网络,并基于此理论进一步开展手写数字识别方向的研究,最后通过实验验证其网络模型的有效性和实用性。论文的主要工作如下:(1)整理和总结了近年来阐述了图像识别的研究背景和国内外研究现状,特别是卷积神经网络的国内外发展现状,介绍了神经网络和卷积神经网络的基本概念,详细阐述了网络框架和网络参数,包括网络的卷积层,池化层和梯度下降训练方法。(2)针对传统卷积神经网络对于原始图像大小的局限性,本文提出了一种动态随机卷积神经网络结构和一种随机池化方法,避免了原始图像大小的局限性,更大程度了保留了图像的纹理特征和局部特征。实验结果表明,改进的卷积神经网络精度优于传统卷积神经网络。(3)对全文做总结,提出了自身的不足和未来的研究方向。