卷积神经网络（CNN）在图像识别领域的应用已经日益成熟,但随着物联网时代的到来,数据量呈现指数级别的飞速增长,庞大的训练数据需要耗费大量的计算资源和训练时间,传统的集中式方法不适合解决这些大规模优化问题。一方面,集中式框架受到性能限制,如较高的通信和计算要求、单点故障以及有限的灵活性和可扩展性。另一方面,将以分布式方式收集的数据传输到中心节点的成本过高,且可能造成敏感信息泄露。因此,研究分布式优化算法解决大规模优化任务成为必然。此外,分布式优化算法在图像识别领域的应用已渐渐成为关注热点。基于此,本文利用CNN模型进行毒蘑菇图像特征提取,紧接着设计分布式优化算法优化逻辑回归模型并应用于毒蘑菇图像分类研究,最后验证分布式优化算法在毒蘑菇图像识别的优势。本文的主要研究工作如下:（1）研究了CNN图像识别分类问题。阐述卷积神经网络（CNN）相对于传统神经网络的优势与特点。分析并选择训练卷积神经网络过程中涉及的相关要素。运用迁移学习的思想,借鉴Le Net-5网络模型结构,将毒蘑菇图像数据集输入模型进行测试和训练。最后保留模型作为特征提取器。（2）组合CNN模型和逻辑回归模型。以CNN作为可训练的特征提取器,并以分布式算法优化的逻辑回归模型作为可训练的分类器,将组合成的混合模型应用于毒蘑菇图像分类识别研究。设计了新的加速分布式事件触发算法（简称为A-DETA）优化逻辑回归模型,并严格证明了其精确收敛性。仿真结果验证了A-DETA算法的可行性和理论分析的正确性。（3）应用混合模型对毒蘑菇图像进行分类,验证混合模型的可行性;A-DETA与其它相关算法分别对混合模型进行优化和训练,在不降低测试精度的前提下,最终验证A-DETA在通信次数、收敛速率方面具有优势。