近年来,计算机视觉各个领域均取得“里程碑”式突破,一系列性能优秀的模型被提出,深度学习成为学者研究图像的主要手段,并在各个工程应用领域渗透,而传统的浅层图像特征已不能满足图像表征的需求。本文使用卷积神经网络提取图像深度特征,并应用于图像分类、人脸识别两个领域。在图像分类方面,本文使用CaffeNet和GoogLeNet网络在15自然场景数据集上完成图像场景分类实验。在研究CaffeNet和GoogLeNet网络结构原理特性和差异性的基础上,分析对比两个网络的性能效果,以及GoogLeNet性能和速度上均优于CaffeNet的原因。最后可视化卷积神经网络中间各层特征,并进行特征分析。在人脸识别方面,本文实现了人脸识别从预处理到识别的完整流程。在预处理部分,本文训练目标检测框架FasterRCNN进行人脸检测;同时,修改现有人脸关键点定位模型,引入非线性激活层,训练出好的关键点定位模型;之后,本文使用基于相似度变换的方式进行人脸校准,减小翻滚角对特征提取的影响。在人脸识别部分,本文使用训练分类网络的方式进行人脸识别网络的训练,不仅复现了人脸识别模型Light CNN,并在此基础上作出改进,将归一化层引入Light CNN,提出Normalized LightCNN网络模型,并在测试集LFW数据集上获得了更好的效果。