图像分类是把不同类别的对象区分开来的图像处理方法。目前,基于深度学习的图像分类方法常被用来对物体进行分类,相较于传统图像分类方法,这种方法不需要人为的设计或者选择特征描述符,是一种端到端的方法,具有较高的鲁棒性,且准确率高。本文将深度分类网络应用于橡胶木材的实时分类以及密集细胞的分割（像素级分类）任务,取得了良好的效果,具体研究内容如下:（1）木材种类的分类在建筑业和家具制造业中扮演着重要的角色。为了制作出颜色和纹理高度统一的木材家具,对不同类型的木材板进行正确分拣是很有必要的。本文使用基于Res Net的分类网络来改进橡胶木材图像的分类性能。具体来说,我们在Res Net的残差结构的基础上,通过结合通道拆分、通道混洗、分组卷积等操作,设计了一个SSR（Split-Shuffle-Residual,拆分-随机打乱-残差结构）模块。在每个SSR模块中,输入被分成两个低维分支分别进行处理,最后通过通道混洗操作使输入和两个分支之间进行信息通信,这能在不增加网络复杂度的前提下扩大网络容量。并且,我们搭建了一个基于SSR模块的卷积神经网络,它可以自动从木材图像数据中学习特征,用于橡胶木材板的实时分类。为了评估所提出的分类网络的性能,我们在17501张橡胶木材图像上进行了测试。实验结果表明,我们的算法准确率高达94.86%,优于其他传统的机器学习分类方法和常见的深度分类网络。此外,处理一幅图像只需26.55ms,能够达到实时分类的需求。（2）在植物细胞显微图像时间序列中,对密集细胞的自动追踪是一项重要的任务。然而,错误的细胞分割结果会对后续的细胞追踪过程产生影响,现有的细胞分割算法并不能对噪声区域中的密集细胞进行正确的分割。本文通过使用基于VGG的分类网络提高细胞分类的准确性从而改进噪声区域细胞的分割效果,并提出了一个两阶段细胞分割算法对噪声区域中的密集细胞进行分割。在第一阶段,通过现有的分割算法（例如分水岭算法）对细胞进行初步分割。在第二阶段,使用基于VGG的分类网络将第一阶段的候选细胞分为两类,并保留判别为正类的边界清晰的候选细胞。使用本文提出的两阶段细胞分割算法,可以把准确的分割结果作为下一个追踪过程的输入。实验结果表明,我们提出的分类网络在三个植物细胞数据集上都取得了最佳的候选细胞分类性能,召回率和精准率都在95%以上。并且,通过提高细胞分类的准确性,所提出的两阶段细胞分割算法减少了噪声区域细胞的错误分割,进一步提高了细胞分割的性能。