随着计算机水平的不断提高和图像识别应用领域越来越广,基于深度学习方法的图像识别研究得到了迅猛发展。然而,卷积神经网络在建模阶段存在训练时间长、收敛速度慢,测试阶段存在识别准确率低和鲁棒性不佳等问题,这些已成为其在图像识别领域能否有效应用的瓶颈。因此,论文针对基于卷积神经网络的图像识别算法开展了理论和实验研究,主要工作如下:(1)针对卷积神经网络训练时间长这一问题,提出了一种基于迁移学习的快速训练方法。该方法将已训练好的用于解决其他图像识别问题的预训练模型进行迁移训练,使得网络快速收敛,达到缩短训练时间的目的。在MNIST和CIFAR-10数据集的实验结果表明,迁移学习模型确实能大幅提高建模速度。(2)针对最大池化和平均池化方法对图像特征提取能力不强导致准确率低这一问题,提出了基于Dropout的池化方法。该方法结合Dropout的随机性,使得池化操作过程按概率抑制某些单元的表达,增强特征共性训练。在MNIST和CIFAR-10数据集上的实验结果表明,该方法的准确率优于最大池化和平均池化方法。(3)针对激活函数在实际应用中易出现梯度消失和无法训练的问题,提出了一种新的激活函数。该函数融合了Sigmoid函数梯度变化缓慢、Tanh函数的正、负输出特点和Re LU(Recitified Linear Unit)函数的线性特点。实验结果表明,改进的激活函数能够避免梯度消失问题,有效提升网络的训练效果。