卷积核是卷积神经网络中提取图像特征的主要组成部分,它通过对样本的局部区域进行卷积计算检测出相邻像素之间的相似性,以此来达到识别图像内容的目的。因此,卷积核是影响卷积神经网络识别准度的重要因素,同时也是使网络能否快速收敛的原因之一。如何初始化卷积核成为了提高卷积神经网络模型性能的关键问题。为此本文进行了如下研究:(1)分析了卷积神经网络的结构,图像卷积的过程以及卷积核提取特征的过程,研究了目前常用的3种初始化方法:随机初始化方法、Xavier初始化方法和主成分分析方法(Principle Component Analysis,PCA),针对这3种初始化方法存在的问题,提出了核主成分分析(Kernel Principle Component Analysis,KPCA)初始化卷积核权重值的方法,KPCA能够有效地提取图像中的非线性特征,使卷积核的权重值能够包含样本中更多的非线性特征,从而能更加充分地初始化卷积核。(2)为了验证本文提出的KPCA初始化方法,选取了MNIST,FashionMNIST和Cifar10进行训练测试。首先在原始数据集上进行测试,之后对原始数据集进行平移、旋转、弹性扭曲和亮度增强再进行实验,实验结果表明本文方法能有效地初始化卷积神经网络卷积核权重值,提高网络识别性能。与PCA初始化、随机数初始化和Xavire初始化方法相比具有更高的分类准确度,降低了网络的损失值,加快了网络的收敛速度,并且解决了传统的随机方法中存在的不稳定性问题。(3)将KPCA初始化卷积核方法应用在人脸识别中。选取了 OlivettiFaces作为样本集进行实验,为了验证算法的鲁棒性,对样本集进行了随机水平翻转、亮度变化、图像旋转、图像移动和剪切操作,扩充了样本集进行实验,实验结果表明本文方法在识别的准确率上优于其他三种初始化方法,验证了本文方法具有一定的应用性。