為了在不增加較多計算量的前提下，提高卷積網(wǎng)絡(luò)模型用于圖像分類的正確率，提出了一種基于復(fù)雜網(wǎng)絡(luò)模型描述的圖像深度卷積分類方法。首先，對圖像進行復(fù)雜網(wǎng)絡(luò)描述，得到不同閾值下的復(fù)雜網(wǎng)絡(luò)模型度矩陣；然后，在圖像度矩陣描述的基礎(chǔ)上，通過深度卷積網(wǎng)絡(luò)得到特征向量；最后，根據(jù)得到的特征向量進行K近鄰（KNN）分類。在ILSVRC2014數(shù)據(jù)庫上進行了驗證實驗，實驗結(jié)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(shù)。

　　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(chǔ)，圖像紋理包含了非常豐富的圖像信息，可以應(yīng)用于多種任務(wù)，如基于內(nèi)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(xué)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(tǒng)計的特征描述。基于復(fù)雜網(wǎng)絡(luò)模型的紋理特征描述方法屬于基于統(tǒng)計的特征描述的一種，具有穩(wěn)定性好、抗噪聲能力強等優(yōu)點。

　　在計算機視覺領(lǐng)域，圖像分類一直是研究的重點之一。傳統(tǒng)基于特征的圖像分類方法都是先定義一種特征，再根據(jù)預(yù)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(zhǔn)確度相對較差的缺點。深度學(xué)習(xí)作為機器學(xué)習(xí)的重要發(fā)展，能夠逐層地自動學(xué)習(xí)合適的表示特征，因而在眾多領(lǐng)域中得到了廣泛應(yīng)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(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)的三大重要模型之一，繼承了深度學(xué)習(xí)技術(shù)自動提取特征的優(yōu)點，并且通過權(quán)值共享大大減少了所需要訓(xùn)練的參數(shù)，使卷積神經(jīng)網(wǎng)絡(luò)（ 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(lǐng)域取得了較好的效果，其在手寫數(shù)字識別以及人臉識別方面都被驗證有著較好的性能。