卷积神经网络进行图像分类是深度学习关于图像处理的一个重要应用,卷积神经网络的优点是能够直接与图像像素进行卷积,从图像像素中提取图像特征,这种处理方式比一般特征提取方式更为接近人类大脑视觉系统的处理方式。另外,卷积神经网络中卷积层的权值共享特性和池化层数据缩减功能使得卷积神经网络中可训练参数极大减少,这在保留模型表达能力的同时简化了模型结构,提高了计算的效率。本论文主要以深度卷积网络的结构设计和参数优化两个方面为研究核心进行深入探索。网络结构的层数和各项参数很大程度上决定了卷积网络在图像分类应用上分类的准确度和分类效率的高低,如何合理地设计卷积神经网络的卷积层,隐含层的数目和优化卷积神经网络的参数是卷积神经网络应用研究中极其重要的一部分。论文主要在MXNet框架平台上进行卷积网络的模型结构设计实现和参数优化调整。首先设计了多个卷积神经网络模型,这些模型总体深度最多达到9层,使用Cifar图像数据集进行训练,测试和参数优化。测试结果表明深层卷积神经网络能够很好地处理图像分类任务比浅层网络更有效。接着设计了一系列实验和措施对深度卷积模型进行优化,包括参数调优、网络层添加。多模型对比的实验结果也表明了网络层的结构和深度对网络的性能影响很大。并提出了两个新的卷积网络模型,分别基于VGG-net和融合特征。实验结果表明这两个卷积网络具备优于VGG-net的表现。本论文分析总结了深度学习关于图像分类的一些实践性的规律,对于解决实际工程问题具有较好的指导作用。即使是使用相同的深度学习网络模型,参数调整的优劣对性能具有非常大的影响。本论文的结论也可以用于其他领域的深度网络。