海底火山的形成与演化与生态系统息息相关,探测海底火山的存在对于现代科学的发展具有重要意义。判断海底是否存在火山较常见的方法是检测海底是否存在烟雾。但是现有的烟雾识别方法存在着效率不够高、效果不够好等问题,并且大都是针对陆地上产生的烟雾进行识别,比如森林火灾烟雾、小区火灾烟雾的识别预警等,对于深海海底场景进行烟雾识别的相关研究还比较零散,而且效果不理想。海底环境比陆地环境更加复杂,噪声干扰也更多,常见的特征提取等图像处理算法难以达到海底火山烟雾识别目的。本文将烟雾识别与机器学习领域中的深度学习算法相结合,并将卷积神经网络模型应用在海底火山烟雾识别上,结合现有的研究成果和技术,对深海海底场景下的火山烟雾图像进行识别分类,克服了其他图像识别方案的缺陷,提高了深度学习算法的效率,增加了海底火山烟雾识别的准确度。利用卷积神经网进行图像分类的技术目前在各个领域都被广泛地运用着,其中对于图像识别的技术是关键所在,如何提高识别率和识别准确度对于科学研究来说意义重大,关系到图像识别的安全与实用效果。本文的主要内容是在有限的计算能力和较少量的数据集下,通过采用多种数据增强技术扩大数据集,再应用卷积神经网络训练数据集,从而实现对有烟雾海底图、无烟雾海底图进行识别和分类,进而判别是否有海底火山存在的可能性。本文实验工作的流程主要是:(1)研究与比较Harris角点算法、SIFT算法与Gabor小波算法对海底火山烟雾图像处理的效果,确定本实验采用卷积神经网络模型与Gabor小波特征提取模型进行海底火山烟雾图像处理。(2)进行数据集制作。首先通过网络收集数据集,把收集到的深海海底图片分为有烟雾海底图片和无烟雾海底图片两类,采用多种数据增强技术包括角度旋转、水平翻转、随机裁剪、增加高斯噪声的方法来扩大数据集,共制作了3348张正样本和3348张负样本,再对所有样本进行统一化的网络输入,最后将全部样本分成训练集和测试集两大部分从而完成数据集的制作。(3)对卷积神经网络结构进行研究,分别搭建3层和4层的卷积神经网络,在训练模型、选择激活函数和调整参数等各方面进行研究。利用前期收集并制作的海底火山烟雾图像对卷积神经网络模型进行训练,依据训练过程中的效率以及训练的效果对实验的参数进行调整,并改进本实验的卷积神经网络模型结构,对本实验的3层与4层的卷积神经网络在海底火山烟雾分类上的收敛效率以及与Gabor小波特征提取模型的识别准确率等一系列指标进行比较。根据识别的效率和结果调整卷积神经网络参数,对模型进行改进。通过比较3层4层的卷积神经网络以及Gabor小波特征提取模型对海底烟雾图像进行识别的效果,本实验的结果表明:采用由4个卷积层、4个最大池化层、2个加入了Dropout的全连接层和1个SoftMax分类器层组成的4层卷积神经网络对海底火山烟雾图像进行识别,其分类准确率达到94.33%,比3层卷积神经网络提高了5.16%,比Gabor小波特征提取烟气动态累积模型提高了5.66%。并且4层卷积神经网络网络训练过程收敛更快,更适合用于海底火山烟雾图像的识别分类。