卷积神经网络(Convolutional Neural Networks,CNN)是以人工神经网络为基础,结合深度学习提出的一种识别算法,目前,已成功的应用到物体检测、图像识别、语音识别等领域。卷积神经网络识别技术虽已慢慢趋于稳定,但主要以单机串行方式实现,存在训练时间过长,内存不足等问题。本文通过卷积神经网络算法的分析以及对图像识别技术的对比,对卷积神经网络算法进行改进,以提高图像识别效果。主要内容包括多区域图像识别和基于MapReduce的卷积神经网络算法设计。多区域图像识别是在传统卷积神经网络的基础上,简化其网络结构,进行图像识别测试时,按照区域划分得到多个测试区域,提高图像识别准确率;在此基础上,基于MapReduce平台进行了卷积神经网络算法设计,利用Map函数将数据分割成N个模块,通过数据处理形成中间数据,再由Reduce函数进行数据汇总,即通过MapReduce的并行计算,使其训练速度更快。最后在MapReduce环境下通过编程实现了改进后的卷积神经网络算法,通过与传统卷积神经网络实验结果进行对比分析,改进的算法提高了图像识别的准确率与训练速度。