在现今这个信息爆炸的时代，每时每刻人们都在拍摄大量的数码图片。在这其中，有很大一部分图片都是来自用户的智能移动设备。在这样大规模的数据量下，为了满足互联网用户对查找图片和归档图片的需求，对拍摄的图片进行关键字标注变得非常必要。而传统对于拍摄图片的标注，往往仍旧在使用基于图片上下文中的文字中的关键字来指定，并非使用图片内容本身。一些现存的基于图像内容的检索引擎，并不是很适合解决上述问题：一方面并非提供图片标注，而是提供相似图片，不是很符合关键字标注的需求；另一方面需要依靠网络传输和服务器计算资源，在移动端使用并非很便利。本文针对以上问题，提出了一种基于深度学习方法的解决方案，使用户即时拍摄的图片可以在本地计算进行分类标注，并且将PC端的计算和移动端的计算分离，从而缓解时刻产生的大量图片对服务器计算造成的负荷。深度学习不同于以往的机器学习方法，不需要人工去指定给计算机对于数据的抽象表示方法，而是通过给定庞大的样本集，让计算机自己去找出对数据的抽象方法。因此本解决方案的核心就是在PC端寻找数据的抽象表示方法，并将该抽象方法使用在移动端从而实现本地化分类。论文的主要工作包括：（1）实现了基于深度学习方法的训练计算和分类计算分离开的多平台系统，各平台间定义了通用的分类配置；（2）在PC平台使用Python实现了一个可借由gpu进行加速的完整的卷积神经网络训练器；（3）在iOS平台使用objetive-c实现了一个使用卷积神经网络方法进行分类的分类器；（4）在iOS平台上开发了一个完整的包括即时拍照、导入照片、下载分类配置、进行分类标注各功能的APP应用；（5）使用不同的图像库对卷积神经网络的训练过程进行测试和调优，最终优化出了使准确率和神经网络规模较为平衡的神经网络结构。本论文根据软件工程的开发流程，对本系统进行了详细的分析、设计以及实现。目前，本系统以初步完成一个原型系统，实现了从提供的图片集提取图片数据生成分类器，到移动端使用该分类器进行分类标注的一系列完整功能。