随着技术的进步,图像在各个领域的应用也越来越普遍,特别是图像的多分类技术。图像多分类技术可以应用于手机App、无人驾驶、无人机避障、航空航天,移动支付等相关方面。图像多分类技术包含了图像边缘检测、图像目标识别、图像语义分割等。当前,国内外有很多的研究学者致力于图像的多分类技术的研究。图像多分类方法的原理主要有两大方向,其中一个方向是非卷积神经网络的图像多分类方法;另一个方向是基于卷积神经网络的图像多分类方法。本文介绍了上述两类图像多分类方法中的各3种,非卷积神经网络的图像多分类方法有Linelet、CGVS、DGED;基于卷积神经网络的图像多分类方法HED、Faster-RCNN、Deeplab-V3+。本文在总结上述算法的基础上,实现了基于卷积神经网络的图像多分类方法的研究,对比分析了基于卷积神经网络的图像多分类方法在图像多分类中的优势。本文首先对上述的6种方法理论原理进行阐述,介绍了目前图像多分类领域比较常用的两个数据集BSDS 500和PASCAL VOC 2012。对非卷积神经网络的图像多分类方法和基于卷积神经网络的图像多分类方法进行了仿真,分别在BSDS500上和PASCAL VOC 2012上对两类算法进行了仿真测试,对比分析了Linelet、CGVS、DGED、HED、Faster-RCNN、Deeplab-V3+这6种方法的检测结果。分析总结了基于卷积神经网络的图像多分类方法具有检测精度高、运行速度快、检测结果稳定的优势,正是由于这些优势使基于卷积神经网络的图像多分类方法变得越来越流行、应用越来越广泛。