近年来,由于深度学习在图像识别中的优异表现,它获得了广泛的研究和应用。相对于浅层学习来说,深度学习对低层次特征逐层变化,提取出高层次特征,这使得深度学习拥有更强的分类能力。在已有研究中,研究者们更加关注的是如何提高算法的识别能力,关于算法鲁棒性的研究却较少。然而,在实际应用中,算法的鲁棒性是衡量一个算法好坏的重要标准之一。为增强深度学习算法的鲁棒性,提高深度学习算法在现实生活中的应用范围,本文主要做了以下几方面的工作:(1)为了降低当样本标签标注错误对神经网络的训练带来的负面影响,本文提出了一种训练前标签预判断算法。在实际应用中,深度学习的数据样本标签由人工标注,但标签有可能被标注错误。本文提出的训练前标签预判断算法在训练前判断是否要将样本标签进行修改后再训练网络以减少标签标注错误的样本。实验表明,该算法能有效降低错误标签对神经网络的危害,提高深度学习图片识别的鲁棒性。(2)提出了一种样本分类训练方法,不同于Minibatch随机梯度下降法,本方法在神经网络经过一定的训练,具有对图像的初步分类能力后,利用神经网络现有的分类能力,结合信息熵,将图像分为简单样本和迷惑样本,并将其分别放入简单样本集和迷惑样本集中,在随后的训练中每隔迭代一定次数对迷惑样本和简单样本进行专门的训练。通过这种方式,使得神经网络对区别不同类别的特征进行了更进一步的学习,从而提高了算法对图像的分类能力。通过实验发现,使用本算法,神经网络可以有效的减少过拟合现象,提高算法的鲁棒性和泛化能力。(3)最后,本文将两种算法应用在图像识别系统中,并实现了一个商品识别系统。在该系统中,用户可以通过客户端将商品图像上传到系统中进行训练。同时,用户也能通过客户端将商品图像上传到系统中进行识别,系统在对用户上传的图像进行识别后向用户返回商品的名称。实验表明,该系统具有一定的实用性。