随着物联网的兴起、电子商务的高速发展,网上购物已成为人们生活中必不可少的一部分,依据图像特征对商品进行有效的分类和检索具有重要的应用价值。传统的商品分类方法多基于文本,无法描绘商品的整体特征,且人工标注费力费时。一些基于内容的分类方法,提取特征困难,分类效果不佳。即使有些基于深度学习的商品自动分类方法提出,也受限于较浅层的网络分类效果不好,小样本下网络训练不理想的问题。本文针对这些问题,提出了两种基于卷积神经网络的商品分类方法。所进行的主要工作如下:(1)对现今的商品图像分类技术进行了研究。通过阅读了大量商品图像分类的相关文献,对商品图像分类的研究背景和国内外研究现状进行了分析,并对现今使用的各种分类方法进行了总结比较。(2)对本文研究的基本原理进行了介绍。介绍了神经网络的发展,分析了卷积神经网络中卷积层、池化层、全连接层、激活函数等部分的作用,并列举了常见的分类框架和特征提取方法。(3)针对较浅层的网络分类效果不好的问题,提出了基于改进结构的卷积神经网络商品图像分类方法。对经典的网络结构Alex Net进行了改进,提出了一种新的卷积网络分类结构,此结构相比Alex Net优化了卷积核的尺寸,改变了各层的连接,减少了全连接层的连接参数。在对15种商品的分类中改进后的网络将分类准确率由88.2%提升到了91.3%。(4)针对小样本下网络训练不理想的问题,提出了基于迁移学习的卷积神经网络商品分类方法。数据预处理过程中,使用SVM算法对商品图像进行了背景分割。训练微调过程中,使用了大型数据集ImageNet2012对网络结构进行了预训练,预训练后的参数迁移到新的网络中作为初始化参数,在配合预处理后的数据完成训练。在对20种商品的分类中基于预训练模型的卷积神经网络分类方法达到了97.6%的准确率。