大数据时代下,由于图片所承载的信息量已经远远超过文本,而且越来越生动形象,所以如何实现人工智能技术对图片进行分类识别,一直是计算机视觉领域的研发热点。面临海量的图片信息,传统依靠人工设计的分类方式已经显得不再流行。随着深度学习的不断发展,图像分类的识别精度有了很大的提升,然而深度学习中的卷积神经网络算法普遍面临着分类效率不高和计算机资源消耗大等问题,使得模型无法得到进一步应用与推广。卷积神经网络旨在学习图像抽象特征,有效完成输入特征的非线形映射,准确反映同类间相似程度。卷积神经网络一般都是一步分类算法,但是因为现实中的分类任务通常带有大量噪声,因此针对一些特定的分类任务,可采用两阶段分类方法。因此本文提出了一种两阶段图像分类模型。具体研究工作如下:（1）由于现有的模型缺乏对输入图像特征的鲁棒性,使得网络所需的层数增加。提出先进行无监督聚类再进行特征提取的方法。首先数据集先通过无监督聚类划分成簇内相似的数据集,然后将每个簇的训练样本经过多次卷积与池化运算,再将其输入到具有不同特征提取手段的网络中,训练样本通过多级网络提取同一输入的特征;最后,通过对多级网络进行特征融合、迭代优化,使网络能够有效地从输入图像中提取有效特征从而完成网络学习。（2）由于卷积运算中的冗余度大,使得网络的运算量大,提出多路径子网络先行计算,再融合特征进行迭代参数。首先,基于多路径子网络,利用低秩卷积进行类间相似样本特征提取,减少了网络复杂性,并减少了边界特征的提取;最后利用卷积核联结机制,接收特征信息并进行线性加权,这样不仅可以将不同特征进行融合,还可以最大程度保留输入信息。最后,在开放数据集CIFAR10与CIFAR100上进行了实验,并取得了较好结果,证明了该图像分类方法的合理性与可行性。