图像识别是计算机视觉领域的一个热点问题。互联网时代,图像数据呈指数级增长,图像的复杂度也不断攀升,对计算能力的要求越来越高,传统的图像识别算法在硬件的推动下,虽取得不错的实验效果,但在许多场景仍无法满足人们的需求。旨在提高图像的识别正确率和缩短网络学习周期,基于宽度学习的图像识别方法的研究具有重大的理论和应用价值。大多数传统的深度学习图像识别方法对计算机资源要求苛刻(内存占用极大,处理器计算能力要求极高)且训练周期长。深度学习网络因层数有不断加深的趋势,使得深度学习方法在实际应用中受到许多限制。本文在宽度学习方法(BLS)的基础上开展研究,本文主要贡献归纳如下:(1)提出了径向基宽度学习网络(RBF-BLS),以提高网络的识别正确率,缩短网络的学习周期。该方法采用径向基神经网络生成特征节点,多项式作为隐层到输出层的权值。利用模糊C均值聚类算法求解径向基函数的中心和隶属度函数,动量梯度下降法求解多项式的系数,将图正则项损失加入到损失函数中增加几何细节。最后通过求导运算计算伪逆,提高图像识别率和速度。实验对比显示本文方法在Vehicle、WDBC等数据集具有更好的性能。(2)提出了一种径向基宽度学习网络改进方法,以进一步提高网络的识别率。该方法把特征节点中隐层到输出层的多项式函数权值进行了拆分,将多项式的项与径向基网络的输出合并作为增强层的输入,不仅可以使得增强层用于增强学习的数据保存数据集本身的样本特征,而且能减少RBF网络节点梯度下降的计算量,避免维数灾难等问题,有效规避掉RBF层因为RBF神经网络训练所带来的误差和不足等问题,进而提高网络的识别率。实验对比显示,该方法比径向基宽度学习方法及其他方法具有更好的性能。综上所述,本文基于宽度学习作进一步研究,从特征节点的生成方法入手,并做了一些优化,提高了网络的识别率。通过多个数据集的实验对比,进一步论证了本文工作的意义。