為了在不增加較多計算量的前提下，提高卷積網絡模型用于圖像分類的正確率，提出了一種基于復雜網絡模型描述的圖像深度卷積分類方法。首先，對圖像進行復雜網絡描述，得到不同閾值下的復雜網絡模型度矩陣；然后，在圖像度矩陣描述的基礎上，通過深度卷積網絡得到特征向量；最后，根據得到的特征向量進行K近鄰（KNN）分類。在ILSVRC2014數據庫上進行了驗證實驗，實驗結果表明，所提出的模型具有較高的正確率和較少的迭代次數。

　　紋理是非常重要的圖像識別特征之一，對圖像紋理進行合理描述是圖像分類識別的基礎，圖像紋理包含了非常豐富的圖像信息，可以應用于多種任務，如基于內容的圖像檢索、圖像分割、圖像融合、圖像分類或者聚類等。圖像紋理特征描述的方法主要有基于幾何學的特征描述、基于模型的特征描述、基于信號處理的特征描述，以及基于統計的特征描述?；趶碗s網絡模型的紋理特征描述方法屬于基于統計的特征描述的一種，具有穩定性好、抗噪聲能力強等優點。

　　在計算機視覺領域，圖像分類一直是研究的重點之一。傳統基于特征的圖像分類方法都是先定義一種特征，再根據預先定義的特征進行分類識別，存在著泛化能力弱、可移植性差、準確度相對較差的缺點。深度學習作為機器學習的重要發展，能夠逐層地自動學習合適的表示特征，因而在眾多領域中得到了廣泛應用，如人臉特征點檢測、行人檢測、人臉識別和車牌識別等。卷積神經網絡作為深度學習的三大重要模型之一，繼承了深度學習技術自動提取特征的優點，并且通過權值共享大大減少了所需要訓練的參數，使卷積神經網絡（ Convolutional Neural Network．CNN）能快速處理高維圖像，還具備一定的平移不變性，因此在圖像分類領域取得了較好的效果，其在手寫數字識別以及人臉識別方面都被驗證有著較好的性能。