近年来,人们的生活方式因为计算机科学技术的快速发展而发生了巨大的变化。过去需要通过人工达到的监控效果,现在可以通过机器来完成。其中改变最大的就是图像的分类识别领域。传统的分类识别主要基于图片的视觉特征来描述,并且需要人工的调整算法,但随着深度学习技术的发展,机器可以自己提取特征,就像人类大脑一样,可以自己从中学习总结出各类别图片的不同之处。本文选择TensorFlow框架搭建网络,针对不同的狗的种类图片,设计卷积神经网络结构,训练出能够对狗种类进行区分的模型。在模型的训练中,主要根据卷积神经网络的相关方法训练网络,取得很好的效果。随后通过在网络中增加Inception结构,重新搭建网络,对比分析不同网络结构对准确率大小的影响。本文完成的具体工作和结果如下:1.分析了深度学习的发展现状以及未来的发展趋势。详细介绍了深度学习的由来以及它与神经网络之间的关系,对多层神经网络,循环神经网络,卷积神经网络等经典网络模型的原理进行了描述,并且针对神经网络中出现的梯度问题,优化方法等做了公式推算。综合分析选择了卷积神经网络作为本文网络结构的搭建基础。2.提出了一种以卷积神经网络为基础的狗种类识别算法。在传统的卷积神经网络的基础上,添加激活层,局部归一化响应层,加强模型表达能力。利用dropout技术随机选取部分神经元丢弃,减轻训练中可能产生的过拟合问题。同时加入了Adam优化算法,结合交叉熵函数,学习率衰减的操作,使反向传播过程中的参数得到优化,使模型更快收敛,最后准确率达到92.25%。3.提出了基于Inception结构的对狗进行分类识别的算法。通过左右镜像翻转操作扩大样本数据集的容量,同时对图像进行白化处理,去除图像获取过程中环境因素对图像表现的影响,从样本图像效果方面来减少过拟合现象。基于前文提出的网络结构,再添加Inception结构,增加网络的宽度与深度,最后使真实的准确率在93.25%左右。