1、圖像的識別與分類技術(shù)作為人工智能方向的研究熱點之一，具有很重要的研究意義。圖像的特征提取作為其中的關(guān)鍵，從本質(zhì)上決定著圖像識別正確率的高低。傳統(tǒng)的圖像特征提取方式往往依賴于針對某一具體問題所設(shè)計的特定提取方法，盡管取得了令人矚目的成果，但其適應(yīng)性往往不強，因此對圖像特征的自動提取成了現(xiàn)階段圖像識別任務(wù)中的重點。
　　隨著大數(shù)據(jù)時代的到來，以深度學(xué)習(xí)模型為代表的特征學(xué)習(xí)方法展現(xiàn)了其在圖像特征提取任務(wù)上的強大能力。通過逐層訓(xùn)練的方式，

2、深度學(xué)習(xí)模型能夠以高度自主化的方式提取出圖像的深層特征，并取得了現(xiàn)有研究階段的最好成果。盡管深度學(xué)習(xí)模型的學(xué)習(xí)能力極其強大，但其模型結(jié)構(gòu)的復(fù)雜以及訓(xùn)練之中的開銷也為其訓(xùn)練帶來了阻礙。
　　因此本文基于圖像特征層次提取的方法，從聚類算法以及深度學(xué)習(xí)模型兩個方面探討了其在圖像識別任務(wù)上的應(yīng)用，試圖找到一種能夠結(jié)合兩者優(yōu)點的方法。其中具體工作內(nèi)容如下：
　?。?）對常見的聚類算法K均值算法作了簡要的介紹，并深入分析了其優(yōu)缺點，針對

3、其部分優(yōu)化提出了改進意見。在K均值算法的基礎(chǔ)上，介紹了球面K均值算法，并針對如何提高其聚類效果提出了一種改進算法。
　　（2）在改進的球面K均值算法基礎(chǔ)上將聚類算法應(yīng)用于圖像的特征提取，通過構(gòu)建雙層學(xué)習(xí)模型以逐層訓(xùn)練的方式進行圖像的分類任務(wù)。實驗證明，本文提出的雙層模型相較單層聚類方法具有較好的效果。
　　（3）深入分析了卷積神經(jīng)網(wǎng)絡(luò)的基本原理，研究了其訓(xùn)練過程以及模型結(jié)構(gòu)。之后在深度置信網(wǎng)絡(luò)的基礎(chǔ)上，通過將利用卷積神經(jīng)網(wǎng)絡(luò)