随着4G移动通信技术和智能手机的发展,基于图像的信息交流已成为我们日常生活不可或缺的一部分。图像以其直观、丰富的信息传递特点,在给我们生活带来便利的同时,也带来了更大的挑战。由于人们无法对图片记录的信息进行快速检索,因此基于计算机的图像识别技术就显得至关重要。目前基于深度学习的卷积神经网络算法在图像识别领域取得了不错的效果,但也存在不少需要解决的问题。本文在阅读国内外相关研究文献的基础上,主要做了以下几点工作:针对图像训练集中大量冗余样本导致卷积神经网络训练时间过长的问题,本文提出一种训练样本选择方法:通过最近点对来选取边界样本,利用余弦相似度作为向量之间远近程度的度量标准,利用单位化简化样本选择过程的计算复杂性。实验结果表明,样本选择算法不仅可以剔除训练集中的冗余样本,减少训练样本个数,而且可以使网络的识别准确率得以保持。针对现有人脸识别算法人工提取特征复杂的问题,本文将卷积神经网络引入人脸识别任务,根据ORL人脸图像的尺寸和类别特点,设计简易的卷积神经网络结构,并将卷积神经网络与传统人脸识别算法相比较。实验结果表明,基于卷积神经网络的人脸识别算法在ORL数据集上的识别效果优于几种经典的人脸识别算法。针对卷积神经网络卷积层卷积核个数以及学习率的选取目前没有数学理论指导的问题,本文通过分别改变卷积层的卷积核个数,设置不同的学习率取值,构造不同的网络结构,在ORL人脸数据库上进行大量实验与分析。实验结果表明,卷积核个数以及学习率与网络最终的识别效果均不成正比。