卷积神经网络是一种结构特殊的神经网络,属于深度学习模型。它在图像识别以及自然语言处理等复杂人工智能问题中应用广泛。卷积神经网络的结构设计来自于对动物视觉皮层细胞激活的研究,因此,卷积神经网络更适合于处理图像数据。相比于其它神经网络模型,卷积神经网络的神经元之间部分连接,并且权值共享。当数据维度较高时,如图像数据情况下,卷积神经网络的模型参数远小于全连接网络,因此在训练数据较少时,模型相比全连接网络不易过拟合;另一方面,卷积神经网络可直接将图像作为输入,相比普通全连接网络,它保留了图像特征的位置与结构信息。卷积核是卷积神经网络中的特征提取器,通过卷积核在图像上滑动计算而提取图像特征。因此,本文的研究重点为在以图像作为输入数据的情况下,卷积核的生成算法。本文首先介绍了最新的深度学习研究进展,调研了业界流行的深度学习平台与标准数据集,接着对神经网络与卷积神经网络基础做出简要描述。在卷积核的生成算法方面,首先介绍了卷积神经网络中的反向传播算法,接着介绍了两种用于特征提取并可以作为生成预训练卷积核的自动编码器网络和深度置信网络。最后,在基于主成分分析向量作为卷积核的PCANet的基础上,我们设计了聚类PCA网络,对小图像片进行聚类,按类别计算主成分向量,从而生成多组卷积核以提取更多特征,使得输入图像能够自适应地选择特征提取器。在实验方面,本文在两个通用图像分类数据集上进行对比实验,验证了聚类PCA网络在分类结果上优于PCANet,并具有和其它深层网络可比拟的图像分类能力。