图像分类是计算机视觉领域的一个基本研究问题,随着图像分类在医学影像、遥感图像、行人重识别、人脸识别等各个领域的广泛应用,图像分类技术的研究面临越来越多的挑战。针对图像特征信息在卷积神经网络模型中提取不充分导致图像信息丢失以及模型特征冗余等问题,以三流卷积神经网络模型为框架,结合数据增强方法以及分类器融合算法等,提出了三流卷积神经网络模型的图像分类方法。本文从图像分类的理论研究和实际应用出发,在对图像分类的发展趋势和国内外研究现状的基础上,主要做了如下几方面工作:(1)简要回顾了图像分类的发展历程,根据特征提取方法将图像分类分为传统的手工提取特征方法和基于深度网络模型的特征提取方法。分别详细介绍了传统手工提取特征常用的分类方法,以及基于常用的深度网络模型常用的分类方法;梳理了图像分类在ImageNet竞赛中取得的一些重大突破,同时概述了图像分类常用的深度网络模型,从侧面分析阐述了图像分类的发展趋势。(2)针对图像特征提取的充分有效性,本文提出了一种基于三流卷积神经网络模型的图像分类方法,第一和第二个网络流的特征提取部分采用交叉“间隔”的方式训练提取图像的不同特征,第三个网络流的特征提取部分采用初始参数,通过构建三个并行对称的卷积神经网络,提取到更充分有效的图像特征。同时针对每个网络流训练一个分类器,然后运用分类器融合算法对每个网络流的分类器赋予不同权重,得到三个网络流的融合输出,实现最终的分类。在Stanford Dogs、UEC FOOD-100和CIFAR-100数据集上的实验结果表明了本文方法的有效性和鲁棒性。(3)为了验证三流卷积神经网络模型交叉“间隔”的特征提取方法的有效性,本文分别对三个网络流设置了六种不同的特征提取方式,来分别验证本文的方法。同时进一步探讨了分类器融合算法对分类性能的影响。在Stanford Dogs、UEC FOOD-100和CIFAR-100数据集上的实验结果表明,本文算法得到了较好效果。