卷积神经网络是近年来兴起的人工神经网络与深度学习理论相结合的模式识别方法,并在图像分类问题上取得了巨大进步,它的权值共享网络结构使之更类似于生物神经网络,降低了网络模型的复杂度,极大的减少了训练网络的参数。与传统的图像分类方式不同,卷积神经网络能够从大量的数据中自动提取图像特征并进行分类。但是,如何进一步的提升算法性能仍然是学术界研究的热点问题之一。最近的相关研究也表明,CNN模型的中间层特征能够补充高层特征的语义缺失,以及单一特征存在的缺陷。本论文主要是通过特征融合的方法,进一步提高CNN识别的准确度。该算法的主要思想:在caffe平台上利用已经训练好的CNN模型(AlexNet)提取中间层视觉特征;然后采用one-against-one算法分别在3层特征(con5,fc6,fc7)上建立3个SVM分类器,最后,采用特征权重学习方法自适应调节获得各个特征学习系数。对每一个测试图像分别采用3个SVM分类器得出各类别的决策值,接着采用3个不同权重总体上得出该图像是哪个种类的可信度值,采用最小误差的方法,依据最大的可信度值就是对应的图像种类。本文主要创新点和成果包含以下几点:1.针对CNN模型的中间层特征能够补充高层特征的语义缺失,以及单一特征存在的缺陷,本文提出了 CNN隐含层特征融合算法。2.当使用基于SVM的串行融合方式时,存在的一个不足:不能灵活调整不同层视觉特征对分类的权重,这对分类器的输出决策是有很大影响。而并行融合采用特征权重学习方法自适应调节获得各个特征学习系数,所以本文采用了基于SVM的并行融合方式。3.本文探究了 CNN隐含层特征融合分类的问题,最后表明特征融合后的分类效果比其他层分类效果要好。4.在Caltech 256数据库上进行实验,组合分类器的分类效果提高到95.83%。从卷积神经网络隐含层中提取的特征适用于基于SVM的组合分类器做分类。