随着深度学习的发展与互联网的普及,商业图库,即线上图片交易平台逐渐走进大众视野,且规模逐渐扩大,提供的服务越来越全面。深度学习网络中的一个关键应用是基于卷积神经网络对图像进行分类。数字图像处理的发展紧跟互联网步伐,从商业图库中获取所需图像成为现实。因此,对图像进行分类成为当前热门的研究课题。本文采用的数据集来源于商业图库爬虫与自行拍摄的花卉图像,并为此数据集命名为Commercial gallery-flowers,然后在此自制数据上使用卷积神经网络学习训练,从而完成分类任务。通过优化参数与改进卷积神经网络的层次结构,添加注意力机制与线性判别式损失函数的方式,提升该数据集分类的效果。本文的主要研究内容如下:（1）采用 VGG16、InceptionV3、DenseNet121 与 ResNet50 这 4 种经典卷积神经网络模型在自制商业图库花卉数据集Commercial gallery-flowers上进行迁移学习与训练,最后的实验结果显示:四种典型的卷积神经网络模型的样本分类正确率为:80.97%、75.28%、70.56%、79.45%。所以选择了分类准确率效果更佳的VGG16当作本文花卉数据集分类的基础模型。（2）研究了一个基于Commercial gallery-flowers的改进VGG16网络结构的方法。利用改进后的VGG16模型对样本提取特征,通过L2正则化的方式提高分类网络的抗干扰性能,并在每个卷积层后面添加Dropout方法避免过拟合现象的发生,并把原模型中的Softmax分类器改为Adaboost分类器。通过实验对比证明,改进的VGG16模型在商业图库花卉样本分类的准确率方面相较于原模型有显著的提升。（3）由于本文的数据集涉及到花卉,此样本属于细粒度分类,其特点为类间相似度小,类内差异性大,并且易受背景与光照的影响。因此,在卷积神经网络结构中加入了注意力机制,使卷积层的局部特征和全连接层的全局特征相结合,实现对样本重点部分的增强。除此之外,在此基础上,引入了一种基于判别距离测量的线性判别法LDA。有效优化了卷积神经网络模型,从而提高了Commercial gallery-flowers 数据集分类准确率。（4）设计实现了花卉图像分类识别系统。挑选了分类效果较好的花卉图像分类架构VGG16,并对该网络进行优化与运用。通过Python语言编程,开发了一个花卉图像分类识别系统,完成对花卉图像的快速分类。