1. 研究目的与意义、国内外研究现状（文献综述）

1. 意义图像分类是指利用计算机的特征表达来模拟人类对图像的理解，自动将图像按照人类能理解的方式划分到不同的语义空间,其在科学研究，医学应用和工业应用等方面都有广泛的用途。

目前，对图像分类的研究主要分为图像特征提取和分类算法研究两部分。

尽管传统的图像分类方法如基于支持向量机(svm)分类器和视觉词典模型(bag of visual words ,bovw)已经在很多数据集上取得了不错的效果，但是仍然存在一个巨大的挑战,即由机器表达出来的底层图像特征和人类所感知的高层语义信息之间存在一个语义鸿沟。

2. 研究的基本内容和问题

[1]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017,40(06):1229-1251.[2]李旭冬,叶茂,李涛.基于卷积神经网络的目标检测研究综述[J].计算机应用研究,2017,34(10):2881-2886 2891.[3]刘万军,梁雪剑,曲海成.不同池化模型的卷积神经网络学习性能研究[J].中国图象图形学报,2016,21(09):1178-1190.[4]常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.图像理解中的卷积神经网络[J].自动化学报,2016,42(09):1300-1312.[5]卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理,2016,31(01):1-17.[6]吴正文. 卷积神经网络在图像分类中的应用研究[D].电子科技大学,2015.[7]何鹏程. 改进的卷积神经网络模型及其应用研究[D].大连理工大学,2015.[8]谢宝剑. 基于卷积神经网络的图像分类方法研究[D].合肥工业大学,2015.[9]陈先昌. 基于卷积神经网络的深度学习算法与应用研究[D].浙江工商大学,2014.燕山大学学报,2015,39(04):283-291.[10]楚敏南. 基于卷积神经网络的图像分类技术研究[D].湘潭大学,2015.[11]刘进锋.一种简洁高效的加速卷积神经网络的方法[J].科学技术与工程,2014,14(33):240-244.[12]宣森炎,龚小谨,刘济林.基于联合卷积和递归神经网络的交通标志识别[J].传感器与微系统,2014,33(08):30-33[13]Biggs, J.B., Collis, K.F.. Evaluating the Quality of Learning: the SOLO Taxonomy[M].New York: Academic Press,1982.[14] Smith, T.W., Colby, S.A.. Teaching for Deep Learning[J].The Clearing House,2007,80(5):205-209.[15]BENGIO Y. Learning deep architectures for AI［J］.Foundations and Trends in Machine Learning,2009,2(1):1-127.[16]SERRE T,KREIMAN G, KOUH M,et al. Aquantitative theory of immediate visual recognition［J］.Progress in Brain Research,2007,165: 33-56.

3. 研究的方法与方案

1. 研究方法，技术路线，实验方案（1）准备阶段：学习如何进行图像处理，包括图像分割，图像增强等，这直接关系到后续特征提取的准确度；深入学习卷积神经网络的基本框架，在图像识别上的应用，以及其具体算法的实现；python语言的学习，本项目需要用python实现，python的简洁、易读以及可扩展性为后续代码编写将会提供很大的便利；（2）实现阶段：数据集的构建，图片特征提取算法的实现卷积神经网络模型的建立实验项目主体代码的编写2. 可行性分析在机器学习领域中，深度学习成为了近年研究的热点，它首先由 hinton等人于 2006 年提出，通过自下而上的方式逐层进行特征学习，最终获得特征的非线性表达。

深度学习通过降维和使用梯度下降算法对海量数据进行简化和优化。

深度学习对海量数据的处理能力是其他算法无法比拟的，只需使用简洁的参数就能学习到复杂的特征。

4. 研究创新点

运用CNN，SVM sift，HOG不同的算法实现对扎染图案的识别，对比不同算法之间的不同，准确率的差别，并实现识别系统

5. 研究计划与进展

1. 进行相关软件的的安装；anaconda ,pytorch深度学习框架2. Python语言的学习，深度学习框架的了解3. 数据集的选取，测试数据的选取4. 对数据集预处理算法的设计5. 测试图片识别算法的设计6. 算法的优化，和bug解决