简笔画从原始社会开始就是人类日常沟通交流的方式之一,如今更是在智能手机、笔记本电脑、相机和平板等电子设备的发展、普及下,图像信息在人类日常交流中逐渐占据了重要地位,简笔画相关的研究也逐渐成为人工智能领域中的一大热点。早期简笔画识别是以传统的基于人工特征特区的图像识别方法,如方向梯度直方图(HOG)、尺度不变特征变换(SIFT)等,但这些特征方法主要是针对自然图像设计的,而简笔画与自然图像相比,具有抽象性、随意性以及缺少颜色纹理信息等特点,使得这些图像识别方法对简笔画识别来说并不完全适用。同时,人工提取特征不仅耗时耗力,对特征提取的经验也有较高要求。深度学习的兴起很好的解决人工提取特征这一问题,它是由计算机模拟生物接收、学习信息的网络结构来使计算机自动地去分析、学习图像信息,且计算机能够提取到手工提取不到的更高级层次、更抽象的特征信息,这些特性决定了深层神经网络在图像识别领域的优越性。本文将使用深层神经网络来进行简笔画识别的研究,虽然理论上当网络层次越深时,能够学习到更抽象的特征,但与此同时可能会使浅层特征信息被过滤掉,导致识别准确率下降。过深的网络层次可能会导致梯度弥散、网络性能退化等问题,本文将针对这个问题,从平衡网络深度和宽度方面下手,结合残差神经网络和Inception结构,并加入能够有效避免过拟合、梯度弥散等问题的批量归一化、Dropout层等策略,构建了一个改进的多通道残差神经网络。通过分析各个超参数对测试集识别率的影响,最终确定一组超参数来训练出一个识别率高、网络性能好的模型,并通过与其他基于神经网络的识别方法和传统图像识别方法进行对比,验证本文提出模型在简笔画识别领域的有效性。另一方面,考虑到训练不足可能会导致过拟合问题的产生,文中还提出了两个数据增强方案,并验证了这些方案能够一定程度上提高网络识别性能。最后,本文基于B/S架构和MVC设计思想,将文中提出来的深度神经网络模型部署到Java平台,设计出了一个简易的简笔画识别系统,使其能够在web端得到应用。