在当今社会，图像识别技术被广泛应用，并且在各个领域发挥着极其重要的作用。好的识别技术是关键所在，怎么样提高识别率和识别的速度意义重大，直接关系到图像识别的实用性和安全性。深度网络的多层结构相比浅层网络，能用更简洁的方式表达复杂函数，能学习得到深层的特征表示，因此，本文将深度学习应用到图像识别中，进一步提高图像识别的准确性。一方面，将深度学习和支持向量机相结合，构建用于图像识别的模型，另一方面，利用卷积限制性玻尔兹曼机构建深度网络，同时改进训练过程。本文研究的主要工作包括：（1）认真分析了图像识别的方法及存在的问题，对现有的图像识别算法进行了对比研究，详细叙述了深度学习的发展和进展，对比了深度学习结构相比浅层结构的优势所在，总结了深度学习的常用方法，详细介绍了限制性玻尔兹曼机和卷积限制性玻尔兹曼机的原理和训练过程。（2）将深度学习和支持向量机相结合，将多个限制性玻尔兹曼机与SVM连接构建多层分类模型，用深度学习的方法提取样本特征，然后用SVM方法进行分类，并将其应用到图像识别任务中。通过实验验证，在样本较少的情况下，与支持向量机和深度信念网络进行比较效果良好，并且通过不同样本数、层数、节点数与正确率的比较，讨论了隐含层节点数与支持向量数的关系，并且讨论了相关参数对结果的影响。（3）对由卷积限制性玻尔兹曼机构成的卷积深度信念网络的训练过程进行改进，通过交替进行无监督和有监督学习来训练网络，最后将该网络用于图像识别中，通过实验验证了可行性和有效性，讨论了卷积核大小对结果的影响。