1. 研究目的与意义（文献综述）

近年来，随着大数据的火热发展，如何利用海量的数据产生价值，更好的为人类服务，已成为迫在眉睫的问题，在这样的背景下，机器学习成为当前的研究热点。机器学习是研究使用计算机来模拟人类的大脑，使其能够以类似人的思维方式甚至是超越人类的方式对事件做出反应。

深度学习在人工智能领域中占据重要地位，它的最终目的是建立能够和人类一样具有思考能力神经网络，这种神经网络能够像人一样对事物做出具有智能的反应。深度学习又被称为深层神经网络（deep neural networks），和传统的神经网络相比，它的层次更深，规模更大，复杂度更高，训练难度也更大。当拥有海量的数据时，深度学习更能够抓住数据内在特征，效果也更好。近年来，由于计算机技术的迅猛发展，特别是硬件条件的提升，深层神经网络的训练时间大大减少，深度学习也迅速成为一个研究热点。如今，深度学习技术已经逐渐应用在了

人们生活的各个领域中，比如语音识别，自动翻译，图像识别，个性化推荐等等。卷积神经网络（convolutional neural network, cnn）是深度学习技术中的一个代表，和别的网络结构不同，它有两处特别的设计：一、卷积层的特殊设计，卷积层采用局部连接和权值共享的方式进行连接，从而大大降低了需要训练的参数数量；二、通过降采样层来降低维度，使网络具有更高的鲁棒性，同时能够有效的防止过拟合。典型的卷积神经网络是一个多层的、可训练的体系结构。包括输入、卷积层（局部连接层）、抽样层、归一化层、全连接层、逻辑回归层和输出层等等。由于以上设计，卷积网络主要用来识别缩放，位移以及其他形式扭曲不变的二维图形，比如应用于手写数字，车牌和门牌号码的识别。

2. 研究的基本内容与方案

将深度学习用于图像识别成为了图像识别领域的研究热点，已取得了良好的效果，并且有广阔的研究空间。论文基于深度学习在图像识别的相关理论，分析深度学习的基本模型和方法，理解卷积神经网络方法在图像识别中的应用，并在相关图像数据集上进行编程验证。

本文将采用caffe框架搭载图像识别系统，并与传统的图像识别系统作对比，分析基于卷积神经网络的图像识别的系统的优点。之所以采用caffe框架，是因为caffe拥有其独特的优势。caffe框架于2014年提出，有较高的使用性。尤其是它的网络结构使用文本形式进行编辑，不需要对具体代码有非常深刻的了解，便可以构建自己的网络模型，也可以对目前前沿的网络模型进行分析和改进。caffe 框架也同样使用了 gpu 并行计算的技术，配合cuda 能够进行高效的运算。在cpu和gpu之间切换只需要在配置文档中更改一条语句即可。

caffe框架为使用者提供了多个卷积神经网络的模型如lenet-5、alexnet等，以及一些示例，使用者可以对这些模型直接进行分析，并不需要自己构造模型。同样对于基本的数据集如cifar-10数据集都有多个训练配置文档，有快速训练模型和完整训练模型。对于训练好的模型产生的数据还可以迁移到 theano 上进行分析。

3. 研究计划与安排

第1－3周：查阅卷积神经网络及图像处理相关文献资料，明确研究内容，了解研究所需技术语言和开发工具，初步搭建并熟悉开发环境。

确定方案，完成开题报告。

第4－6周：阅读参考文献，学习深度学习在图像识别的相关理论，确定卷积神经网络使用的框架，完成基础搭建。

4. 参考文献（12篇以上）

[1]蒋帅. 基于卷积神经网络的图像识别[d].吉林:吉林大学,2017.