随着计算机发展的普及,数据也随着5G网络的出现而呈现出的激增的态势,传统的浅层学习算法在大样本数据下表现出计算能力不足以及训练效果较差等缺陷,深度学习是由多层神经网络构成的网络结构,具有强大的数据拟合能力,对于大量复杂的数据有极强的学习能力,可以较好的解决浅层学习算法应对复杂数据学习能力不足的问题,近年来,将深度学习算法与浅层学习算法的结合研究热点。本文主要研究深度信念网络(DBN)与支持向量机(SVM)并将该技术应用于地形识别领域。主要研究内容与提出观点如下:(1)分析了图像识别的理论与特征,对当前图像特征的提取和图像分类方法进行了详细的介绍。以及支持向量机的原理、局部二值模式(LBP)方法原理,以及与深度信念网络结合。同时研究了当前分类算法的主要评价标准。(2)对深度信念网络(DBN)与支持向量机(SVM)的方法应用在地形识别领域并提出了改进。先将图像通过局部二值模式进行特征提取,并将提取出的特征作为输入数据传入到初始构建的DBN网络结构进行学习得到更高级的特征表达,将DBN最后一层的隐含层输出数据作为SVM的输入数据进行学习。实验数据采用OUTEX与VSPECT数据集,通过实验验证,结合深度信念网络和支持向量机较传统浅层学习算法的有更好的精确度。(3)对稀疏编码与深度信念网络算法结合并应用于地形识别领域并提出了改进。在图像识别算法上,稀疏编码(SC)可以去除整体图像中的一些冗余信息,简化运算流程提高算法性能。同时稀疏编码在处理一些非线性数据时,可以提高图像识别的精确度,将其与深度信念网络结合后应用在图像识别领域。实验数据采用OUTEX与VSPECT数据集,通过实验验证,结合稀疏编码的深度信念网络算法的有效性。(4)结合随机隐退的深度信念网络算法并应用于地形识别领域并提出了改进。随机隐退(Dropout)通常在大网络结构训练小数据集的情况下使用,当样本数据较小时深度信念网络训练得到的网络模型可能导致局部收敛或者过拟合的情况。提出针对小样本情况下深度信念网络与随机隐退相结合的算法,实验数据采用OUTEX与VSPECT数据集,通过实验验证,结合随机隐退的深度信念网络算法的有效性。