目前图像分类任务在CIFAR-10、CIFAR-100和ImageNet等大型通用数据集上获得最优表现的均是基于深度卷积神经网络的方法,但深度卷积神经网络依赖大量已标注的训练样本来优化,因此在一些已标注样本数量不充分的小规模数据集上主要存在两个问题:一是深度卷积神经网络模型在这些数据集上的训练比较困难或者效果不佳;二是在一些需要精细分类的特定领域小规模数据集上,由于样本之间相似度较高,容易产生误分类问题。针对第一个问题,本文使用了一种在小规模图像数据集上表现要优于卷积神经网络的新型网络模型——胶囊网络,将其作为小规模图像数据集Caltech-256和Oxford Flower-102图像分类任务中的基础网络,并且将优化正则项参数的核FCM聚类算法结合到胶囊网络中,作为原先胶囊网络中聚类算法的替代,改进了原生胶囊网络中的动态路由过程。对比实验结果显式胶囊网络相比本文的基线CNN模型在Caltech-256数据集上有4%左右的提升,在去除了背景干扰的Oxford-102数据集上有2%左右的提升。本文的胶囊网络模型相比原来的胶囊网络0.2%左右的提升,实验结果说明了胶囊网络在这两个小规模图像数据集上相比深度卷积神经网络的优势,也表明了本文提出的胶囊网络模型的有效性。针对第二个问题,本文提出了基于迁移学习的两级特征融合学习方法。利用在样本数量充足的大型通用图像数据集上已预训练完毕的深度卷积神经网络模型,将其应用Caltech-256和Oxford Flower-102数据集上,通过修改最终目标函数对网络参数进行微调来进一步学习到源域数据和目标域数据共同的特征表示,完成一级通用特征提取。由于小规模图像数据集中的大部分分类错误都产生在相似度较高的图像类别之间,本文基于精细分类的思想,通过谱聚类将高相似度样本分成特殊训练子集,通过进一步在预训练完毕的模型上微调网络参数,完成二级特殊特征提取,最后将一级通用特征和二级特殊特征进行融合后输送到分类器完成最终的模型训练。对比实验结果显示使用了两级特征融合学习的模型相比没有使用的要高出0.73%～0.86%,证明了本文的两级特征融合学习方法能有效减少误分类问题,缓解了在哪些需要精细分类的小规模图像数据集上易发生的误分类现象,提高了图像分类任务的精度。