鞋印图像是刑事侦查中常见的重要证物之一,它在揭露和证实犯罪时有重大作用。目前针对鞋印分类的算法大多是基于闭集分类的算法,其假设所有的测试图像都包含在训练集中出现过的类别。然而现实的场景下,会出现很多未知类别的鞋印图像,如果直接使用闭集的假设前提,其闭集性会迫使分类器从已知类中做出选择,分类性能并不是很好。近几年来,深度网络在解决各种视觉识别问题上取得了显著的进展,对学术和商业应用产生了巨大的影响。深度网络可以提取到输入鞋印图像的深层次特征,基于此,本文使用深度学习技术提出了开集鞋印分类算法研究,主要工作如下:1)给出了基于融合多卷积层的开集分类算法通过分析鞋印图像的特点,本文以深度网络为基础,给出了鞋印图像特征提取的方法。由于待分类的类别很多,通过将不同层的卷积响应图相融合的方法,结合了中间层的全局信息和后面层的局部信息以提高类别间的可区分度,并结合判别方法,实现了开集分类。在鞋印数据集上的AUC达到了 0.84。2)给出了基于多语义块特征融合的开集分类算法本文针对鞋印图像差异性较大区域集中在脚掌和脚跟的特点,给出了一种基于多语义块特征融合的开集分类算法。本文将一幅鞋印图像分成四个语义块,分别为脚掌、脚掌中心、脚跟、全幅鞋印。针对每一个语义块使用独立的神经网络提取特征,并对每一个特征进行归一化后使用加权融合的方法得到一幅鞋印图像的特征表示,再结合判别方法进行开集分类。经过实验表明,该算法能有效增大类间距离,减小类内距离。在鞋印图像数据上的AUC达到了 0.89。3)给出了基于统计极值理论的开集分类算法本文针对传统开集分类中出现的问题,即直接使用阈值方法的先验假设是测试样本的类别一定出现在训练集中。使用直接设置阈值的方法的确会拒识掉一些集外图像,但是此方法并不是最优的,基于统计极值理论的开集分类算法不仅可以提升开集分类的性能,同时可以降低开放空间的风险。经实验表明,该算法相比较于直接设置阈值的方法在准确率和AUC上均有明显提升,在鞋印数据集上的AUC达到了 0.91。