随着互联网技术的高速发展,图像数据量也呈现了爆炸式增长。在海量的布匹图像数据库中,如何高效准确地挑选所需的图像数据,对图像分类技术提出了一定的挑战。目前布匹花型的分类算法采用人工标注特征或者基于颜色和纹理的传统图像处理分类方式。这需要大量的专业领域知识和实践经验,在一定程度上限制了布匹花型分类的研究。因此找到一种更加鲁棒和高效的分类方法仍然是非常迫切的。针对布匹花型分类任务中分类效率低下和分类准确率差的问题,本文提出一种基于改进AlexNet的布匹花型分类网络模型,主要包括两个方面:1)网络结构的优化;2)参数的优化。在进行网络结构优化时,首先,针对网络反向传播更新参数的过程中ReLu强制置零而造成的神经元死亡问题,提出改进激活函数Log-ReLu,在保留网络快速收敛特性的同时解决神经元死亡问题;其次,针对网络训练过程中参数数量和存储开销过大问题,添加二维哈希编码层,使数据可以高效存储和计算,最终提高分类效率。在进行参数优化时,针对学习率初始值过于依赖经验取值的问题,提出学习率初始值取值优化方案及自适应学习率算法,来进一步优化网络性能,提升分类准确率;针对高斯小随机初始化可能导致的梯度弥散问题,采用AFSABP算法确定哈希编码层和f8层的神经单元的权值最优初始值,优化网络性能,使网络更快收敛。最后通过布匹花型样本图像数据集进行验证优化模型的有效性,实验结果表明,相比于传统的AlexNet算法,本文所提算法能有效提升网络的分类准确率,在收敛速度上也有所改善。该优化模型能较好处理布匹花型图像分类任务。