随着现代网络技术的快速发展,几乎所有的图像都已经数字化,人们每天都会面对各种图像。对于这些海量图像,人们无法快速找到自己想要的信息。这使得人们迫切地需要一种方法,来快速有效地从海量图像中准确地获取所需的图像内容,这需要计算机事先对这些海量的图像内容进行分析,解释和归类。从而,人们可以使用检索系统来快速且准确地检索到自己想要的图像信息。图像分类技术能够处理这种情况,它根据提取到的图像特征自动将图像进行分类,既能够去除人工设计特征等复杂且高要求的工作,又可以把图像解释出与人们认知相似的表达含义。深层卷积网络是近年来图像分类识别性能最大进步的核心,以其强大的图像识别分类能力被广泛的应用于各种图像分类任务,并取得了十分显著的效果。本文通过对图像分类算法模型的研究,发现大部分模型都是通过加深网络的深度来提高模型的预测准确度,这导致网络过于庞大,训练时间过长,模型性能达到饱和甚至开始下降。也了解到图像的内容特征对图像的分类起决定作用,图像的风格特征对分类也有影响。本文研究发现风格迁移能够改变图像的风格特征且保留图像的内容特征,其使用神经网络来分离和重组图像的内容和风格,生成的新图像与原图像内容相似而风格不同。将改变了风格的图像用于分类模型,以此来提升分类模型的预测精度,这是本文研究的主要内容。本文利用经过风格迁移后的图像对图像分类进行帮助。本文设计了3种方法来帮助分类。第一种方法是将训练集的图像进行多种风格迁移,然后把产生的新图像加入训练集,使得训练集的样本数目增多,从而提高模型的分类准确度。第二种方法是将测试集的图像进行风格迁移后再分类,以此提高模型的预测精度。第三种方法是将前两种方法结合到一起使用。将为了验证这些方法的泛化性和可推广性,本文实现多个不同的模型进行图像分类,这些模型在测试集上的准确率依次提高,随后用风格迁移进行图像处理,再次用分类模型进行分类测试。对比前后实验结果,发现图像在经过多个有效的风格迁移后进行分类,能够使分类模型的分类精度得到提高,验证了方法的有效性。