1. 研究目的与意义（文献综述）

生活中，我们每天都会看到海量的图像，从中我们能够更加直观的了解、学习事物。面对这些海量的图像信息，我们如何去快速有效的找到所需要的关键信息，如何对海量图像进行分门别类，图像识别给了我们很好的答案。

简单的说，图像识别即计算机怎么理解图像并与外界交互，以识别各种不同模式的目标和对像的技术。传统的图像识别方式是人为设定矩阵算子提取图像的特征值，比如形状特征、纹理特征等，而随着图像复杂度的提升，人们已经很难设置这样的矩阵算子。所以找到一种准确可行的利用人工神经网络模拟人类的视觉系统进行图像识别将具有实际意义。

神经网络可以自动学习这样的矩阵算子，进而从图像提取出一些隐性特征进行分类识别。其中具有代表性的卷积神经网络以其特有的局部感知和权值共享特性，在卷积层中，通过卷积运算使得每一个神经元都与前一层的局部区域相连，提取该局部特征，不同的卷积核提取图像的不同特征，如颜色、纹理以及某个方向的边缘等，最终通过多个卷积核来提取图像的多种不同特征。通过局部感知和权值共享，能够大大减少卷积神经网络中需要训练的参数。卷积神经网络可以直接将二维图像作为输入，将特征提取和分类集合在一个网络中，使得网络能直接从训练数据中提取出最有利于分类的特征，从而避免了传统算法中复杂的特征提取过程，为图像识别翻开了新的篇章，也带来了新的研究热潮。

2. 研究的基本内容与方案

基本内容及目标

1) 学习深度卷积神经网络的基本知识。

2) 学习并使用深度残差框架。

3. 研究计划与安排

1) 第1-3周完成题目调研，完成文献阅读，进行相关资料的收集，完成文献综述以及开题报告撰写；

2) 第4-5周学习深度卷积神经网络，完成论文开题；

3) 第6-12周完成深度残差学习网络的搭建使用，撰写论文初稿；

4. 参考文献（12篇以上）

[1] 纪国强. 基于机器学习的图像识别研究[d].沈阳理工大学,2018.

[2] 刘永江,张培玲,马天放.基于不同深度残差网络的图像识别研究[j].计算机产品与流通,2018(10):271.

[3] 蒋帅. 基于卷积神经网络的图像识别[d].吉林大学,2017.