卷积神经网络以其在图像分类问题上优越的性能,成为了计算机视觉领域的研究热点。本文基于VGG卷积神经网络模型提出了一些改进方法,以降低其过拟合问题,提高其在复杂场景中的图像分类准确率;并进一步提出了改进的权重参数优化算法,以加快寻优过程收敛速度,提高参数寻优能力。本文工作主要包括以下几个方面。论文首先介绍了卷积神经网络的研究背景及意义,总结了卷积神经网络和权重参数优化算法的国内外研究现状和进展,介绍了论文相关的一些基本概念。为了降低卷积神经网络的过拟合问题,提高其在复杂场景下的图像分类准确率,论文以性能优异的VGG模型为基础模型,研究了对其进行的改进策略:其一,针对原模型参数过多以及图像输入大小限制的问题改进了网络结构,降低了模型的过拟合,提高了模型的灵活性;其二,针对复杂场景下原模型分类准确率不太理想的问题加入了目标检测的元素,构建了一个具有双重损失函数的糅合模型。论文将改进的模型与原VGG模型及Google Net模型进行了实验对比分析,实验结果证实了改进模型的有效性。卷积神经网络深度和复杂度的不断提高,对权重参数优化算法提出了新的挑战。为了加快参数寻优速度,提高参数寻优能力,论文基于Adam算法提出了改进的权重优化算法,从两方面提出了改进策略:其一,加入了一种改进的零阶优化方法,主要内容为追踪训练过程中损失函数值的变化情况,并作为反馈项加入原Adam算法中;其二,针对模型在训练过程后期过拟合程度升高的问题,优化了改进算法的退火方式,融入了一种周期性学习率退火方法。论文在常用的数据集上与若干种优化算法进行了实验对比分析,实验结果证实了本文改进方法的优越性。最后,论文基于具体的数据集详细阐述了改进的卷积神经网络编程实现以及实验设计工作,并对未来的研究工作进行了展望。