1.1 研究目的及意义

随着电子商务的高速发展,越来越多的人选择网络购物，呈现出普及化、移动化的发展趋势。目前购物网站的搜索系统多是基于文字的，商家需要先对商品进行分类并添加文字标注。但是关键字很难反映商品的整体特征，并且人工标注主要依靠人力,存在过程繁琐、效率低等问题。同时目前人工智能技术高速发展，因此依据图像特征对商品进行有效的分类和检索具有重要的应用价值。

网络购物在人们生活中扮演着越来越重要的角色，许多购物网站比如淘宝网、京东商城、苏宁易购等应运而生。人们可以随时通过电子设备选购商品，图像具有信息量大、表达简洁直观等许多优点，也可以减少人工进行文字标注的繁琐工作。这时在网站中设置图片分类过滤器，将基于图像内容的分类与基于文本的分类结合起来即可方便用户进行浏览选择，这会给用户提供更好的商品查询效果。因此我们应该去研究如何开发利用图像检索，以方便人们的生活，同时也更好地利用人工智能相关的知识和技术。

基于内容的商品图像分析方法有很多种，比如通过提取图像的颜色和图案样式两方面信息来分类，也可以通过提取图像中具有视觉关键字的局部特征来分类，或者通过提取图像的形状特征来分类等。但是这些方法都需要通过人工提取图像特征再进行分类，过程仍然比较繁琐。

基于这些问题我们提出卷积神经网络分类模型，这是深度学习领域中一种高效算法，不需要进行复杂的前期预处理和特征提取，可以直接输入二维原始图像，通过学习大量的输入与输出间映射关系，在输出端给出分类结果。这一过程相当于在黑匣子里进行特征抽取、模式分类，通过不断优化获得网络所需参数，从而在输出层给出所需分类。卷积神经网络是受视觉神经机制的启发而设计的，通过局部感受野、权值共享和下采样三个特性实现位移识别、缩放和扭曲不变性。卷积是图像识别中常用的算法，进行卷积运算可以增强原信号的特征并且降低噪音。卷积神经网络一般是在卷积后利用激活函数进行矫正，再利用池化操作进行下采样，最后通过全连接层进行分类。