1. 研究目的与意义（文献综述）
现在社会，随着大数据的快速发展和云时代的到来，大数据处理得到了人们广泛的关注。如何对海量的数据资源进行处理并加以运用成为了现代企业和社会关注的重要内容。而图片作为数据信息存储的主要方式，其反应方式直观，展示的内容丰富，已经成为人们获取信息的重要手段和途径。但随着海量的图片数据急速增加，面对杂乱无章图像信息，其无序化问题越来越成为一个急需解决的问题。
图像分类，顾名思义就是对一个输入的图像，根据其图像信息对图像内容进行标签类别划分，输出图像所属的标签类别，是计算机视觉识别领域的研究主题之一。主要是根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。传统的图像分类方法一般是特征描述及检测，例如支持向量机（support vector machine，svm），往往依靠人工对图像信息中的特征进行提取和识别，这对于一些简单的图像分类是有效的，但面对复杂的实际情况时，这种方法就显得有些不堪重负，人们更希望借助于人工智能让机器自己识别和理解图像信息，从而完成图像的分类。
深度学习是机器学习与神经网络、人工智能、图形化建模、优化、模式识别和信号处理等技术融合后产生的一个领域。[1]它能够模仿生物的神经系统对视觉信息进行分级处理，使用非线性模型把原始数据映射成为语义概念的抽象表达。生物视觉神经系统的分层处理为由低层向高层的抽象组合，抽象层面越高，存在的可能结果就越少，这样就对分类越有益。深度学习通过组合各级特征从而找出数据的分布特征，从而实现数据信息的识别。而深度神经网络正是一种用多层抽象来表示概念或特征的方式。目前，常用深度学习方法包括：自动编码器[2]（ae）;受限玻尔兹曼机[3]（rbm）；深度信任网络[4]（dbn）卷积神经网络（cnn）[5]等等。卷积神经网络作为深度学习的重要模型之一，在各个领域都得到了广泛的应用，例如短时交通流预测[6]（its）、地震偏移剖面散射体的定位成像[7]、医学图像分类[8]、人脸识别[9]等各个研究领域
2. 研究的基本内容与方案
一、基本内容
1.了解深度学习和梯度下降优化算法的相关内容和知识
2.了解卷积神经网络的卷积层、池化层、全连接层和softmax层工作原理
3. 研究计划与安排
1.第1-2周：查阅有关参考资料，阅读顶级会议论文和相关参考文献，确定方案，明确研究内容，完成开题报告，完成文献翻译
2.第3-6周：学习深度学习、卷积神经网络相关理论和方法
3.第7-9周：设计并编写算法和系统编码，进行调试和测试工作
4. 参考文献（12篇以上）
[1].（英）尼格尔.路易斯(n.d.lewis)著，颛青山译， python深度学习[m], 人民邮电出版社，2018.7
[2].w.luo,j.li,j.yang,et al, convolutional sparse autoencodersfor image classification[j].
ieee transactions neural networks and learningsystems,2018,29(7):3289-3294
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
