“监控+鞋印”是目前公安机关刑事侦查的重要技战法,其基本原理是依据犯罪现场鞋印推断嫌疑人所穿鞋样,然后到周边监控视频中检索嫌疑鞋样进而获得犯罪嫌疑人的图像信息,为案件侦查提供有效的线索。然而,当今这一技战法主要依靠人工来完成,效率十分低下,亟需一种以依据犯罪现场足迹得到的鞋样图像为基础,对犯罪现场周围不同场景监控视频中的鞋样图像进行自动匹配识别的方法,提高鞋样分析自动化程度,为追踪锁定犯罪嫌疑人提供快速、有效的信息。本文针对“监控+鞋印”技战法自动化程度低下的问题,研究基于卷积神经网络的鞋样识别方法实现对嫌疑鞋样的自动识别方法。首先,对于没有鞋样数据库来进行网络训练的问题,本文通过模拟犯罪现场周围监控视频进行视频采集,对视频进行逐帧分帧,并设计切割代码,模拟鞋样的自动检索切割过程,运用人工对视频帧进行切割,同时采用双线性插值法对切割后的鞋样图片进行归一化处理。建立的鞋样数据库共有50种不同类型的鞋样样本,160 231张鞋样图片。其次,本文运用Caffe框架,通过引用LeNet和DeepID两种经典神经网络结构,并对两种经典网络进行层数加深和运用PRelu激活函数替换Relu激活函数,共五种网络结构进行对鞋样图像数据进行训练和测试,并将实验结果进行对比,实验结果显示DeepIDadd+PRelu网络模型具有最佳识别效果,识别精度达97.73%,比DeepID网络模型的识别精度提升了3.37%。此外,对最佳网络结构进行鲁棒性测试并估算不同鞋样之间的相似性度量进行鞋型验证,同时进行了错误识别图片分析以方便后续研究工作的更进。实验结果表明,卷积神经网络在鞋样识别上有很好的识别效果并具有很强的鲁棒性,为鞋型识别提供了一种新的途径。然后,对于网络模型较大难以投入实战化应用中的问题,本文在DeepIDadd+PRelu的基础上,提出一种轻量化卷积神经网络结构,SPR-net。通过引入深度可分离卷积代替原有的标准卷积和池化,并运用全局平局池化代替第一层全连接,将网络模型大小降低到0.5M,单张识别速度仅60毫秒。实验结果表明,SPR-net网络模型大大降低了计算量,提升了运算速度。最后,将提取到的特征进行余弦相似度计算以得到相似度排名,并设计SPR鞋样识别系统将相似度排名前六的鞋样图像显示出来。