随着软硬件技术的飞速发展和大数据时代的到来,卷积神经网络(CNN)技术在越来越多的领域发挥着非常重要的作用,如数字识别、物体辨别、无人驾驶、语音识别等领域。卷积神经网络是深层神经网络的一个分支,它的网络结构中有特殊的卷积层和池化层,卷积层的感知器和前一层的感知器连接的方式是局部连接并共享权值,这样的连接方式有利于减少训练参数的数量,池化层可以对输入数据进行降维,从而使网络的复杂度降低,鲁棒性提高,即抑制了过拟合问题。现在图像信息以几何方式的趋势增长,需要处理的图像数据量越来越多,卷积神经网络虽然在处理图像数据时很有优势,但因为需要处理的数据量庞大,导致网络学习处理数据的时间变长,效率降低。如果为了缩短卷积网络的训练时间,将卷积神经网络的宽度和深度减小,则会影响模型的训练效果。因此,如何在保证模型质量的前提下,通过让模型更小,或者让网络模型消耗的资源更少进而加快运算速度并且保准模型质量是一大难题。为了减小卷积神经网络在处理图像数据时的负担并且提高模型学习效率,本文根据图像信息的自身特点,提出了基于粗糙集(RS)的卷积神经网络图像识别算法。该算法用经典的图像特征提取算法代替了卷积神经网络提取图像特征的部分,并为了提高模型的学习效率,用邻域粗糙集的约简算法对已提取的特征数据集进行约简,再用一维卷积神经网络解决图像数据的处理和识别。本文的主要工作成果如下:(1)图像特征的组合。用经典的HOG和SURF图像特征提取算法提取图像数据集的特征,这两种算法提取的特征组合在一起得到新的数据集。新的数据集不仅可以描述图像局部目标的表象和形状,而且具有尺度不变性、计算速度快、良好的鲁棒性等优点。(2)基于粗糙集的属性约简。典型的图像特征提取获得的组合特征有很多的优势,但是也含有大量的冗余信息,这些冗余信息不仅对图像识别和分类没有用,还有可能对模型的训练造成影响。为了消除新数据集的冗余信息,本文引入粗糙集的属性约简理论,简化新数据集。(3)基于一维卷积神经网络的图像识别。简化后的新特征数据集和原始图像数据集不一样,从二维的图像数据变成了一维数据,因此用一维卷积图像识别模型代替了二维卷积图像识别模型,进一步节省了运算量,提高了模型效率。实验证明,基于本文提出的方法,在同样的迭代次数下,基于粗糙集的CNN图像识别算法比典型的二维卷积神经网络图像模式识别模型有更高的图像识别度并减少了模型训练时间。本文用的基于邻域粗糙集方式对图像特征属性约简,从而实现一维CNN模型代替了传统的二维CNN模型进行图像识别,并取得良好的应用效果,实现了方法创新,具有良好的应用与推广价值。