1、近年來，圖像分類逐漸成為圖像處理和計算機視覺領域的一個重要研究方向，是機器學習和模式識別的基本問題。隨著互聯(lián)網(wǎng)與信息技術的不斷發(fā)展，每天都有大量的數(shù)字圖像通過各種渠道不斷的出現(xiàn)在人們的生活中，因此，深入研究大規(guī)模圖像分類問題具有非常重要的理論意義和實用價值。目前，深度學習在機器學習領域異軍突起，獲得了巨大的發(fā)展，相關的理論和實踐成果層出不窮，在大數(shù)據(jù)處理平臺上運用深度學習理論解決圖像分類問題是近幾年的研究熱點。
　　本文在大數(shù)據(jù)處

2、理平臺Hadoop的基礎上，采用深度學習方法學習圖像的深層次的特征，從而對大規(guī)模圖像進行分類。具體內容如下：
　　1.提出了基于分布式K-means的圖像特征提取算法。系統(tǒng)的描述了單機K-means算法所要解決的問題及其執(zhí)行流程，闡述了分布式K-means算法的基本思想和實現(xiàn)方法，K-means算法被廣泛使用來構建視覺詞匯的詞袋，由于其實施方便和高效的特點，本文提出在大數(shù)據(jù)處理平臺Hadoop的基礎上，采用分布式K-means算法

3、提取圖像的特征，最終良好的解決了大規(guī)模圖像分類問題。首先，通過分布式K-means算法計算出聚類中心，即字典，再通過設定的特征提取函數(shù)提取圖像的特征，最后將學習得到的特征輸入到分類器中對圖像進行分類。本文在數(shù)據(jù)集ImageNet和CIFAR-100分別做了實驗，研究了預處理(白化操作)操作對字典和圖像分類準確度的影響，同時，在數(shù)據(jù)集STL-10上，對該算法的圖像分類準確度進行了驗證，通過實驗證明，該算法可以達到良好的圖像分類準確度。

4、r>　　2.提出了基于深度層次特征學習的大規(guī)模圖像分類算法。采用深度學習的思想，從底層的原始像素開始，做底層的抽象，逐漸向高層進行抽象迭代，最終得到了具有更高抽象性的圖像特征，同時，結合分布式處理思想，將算法進行并行化處理。本文提出的模型具有5層，每一層都具有相似的結構，即預處理、圖像特征提取和圖像特征選擇的過程，前一層的輸出作為下一層的輸入，通過每一層的迭代，在最后一層得到更能準確表達圖像的特征，最終輸入給分類器進行圖像的分類。同時，