近年来,计算力与数据量的增长推动了深度学习算法与模型的飞速发展,卷积神经网络作为深度学习在计算机视觉领域的基石,在图像分类、目标检测、图像语义分割等细分领域取得了一系列突破性的研究成果,其强大的特征学习能力和分类能力引起了广泛关注。一些研究者将卷积神经网络应用到犬种识别问题上,期望改善传统犬种识别方法在成本、技术难度、准确度与泛化性方面的不足,但由于训练策略、训练方法与模型选择等方面仍有缺陷,现有方法的资源消耗与识别准确度距离工程应用尚有一定距离。论文中结合了现有的犬种识别研究,针对研究中的问题进行改进,使用改进后的多网络融合模型实现面向各终端用户的犬种识别系统。主要工作如下:(1)基于卷积神经网络,设计与实现了对120种常见犬类的、准确度不低于80%的、平均响应时间小于1s的犬种识别系统,是较为成熟的卷积神经网络应用。与其他使用卷积神经网络的犬种识别系统相比,本系统通过进行模型筛选与融合提高了识别的准确度,同时通过应用迁移学习等的方法重用已有的模型和通用特征,大幅度降低了实现算法的时间成本、数据资源开销与硬件资源开销,满足了工程应用的实际条件;(2)系统的后端负责运行识别算法,需要进行密集的浮点计算,其时间开销是系统的瓶颈。通过对开销的分析,结合了GPU并行运算的特性对系统的后端应用的GPU利用率进行了优化,使得一台服务器即可实现了高质量的服务,能够在日访问量不超过20万时保证访问质量,节约了搭建服务器集群的额外设备开销、维护开销与技术难度。犬种识别系统满足了用户对于120种常见犬类的分类需求,有助于犬类的饲养者与管理者快速地、便捷地、低成本地获取犬的品种信息,同时本系统通过为宠物商城、宠物零售商引入流量与投放广告获得经济效益。