近年来,随着成像技术的发展,图像、视频等数据越来越丰富,如何从海量数据中提取有效信息也成为了一个难题。深度学习已被证明是有效的解决途径。深度神经网络是一种多层次特征学习模型,能够自动从原始视觉数据中提取出较为抽象的特征,用于后续的图像分类、目标检测等工作。然而,深度神经网络的训练往往需要大量的标记样本,并且模型参数数量庞大,容易过拟合。为了解决这些问题,本文基于前人的模型,提出了改进的深度神经网络模型以及防止过拟合的方法,以提高深度神经网络在图像识别中的性能。本文的创新点如下:(1)提出一种新型的非监督神经网络模型——深度卷积降噪自编码机,从未标记的图像样本中学习有效的特征表达,从而改善了当前主流深度网络训练需要大量标记样本的问题。(2)提出了一种新的正则化方法——结构化去相关约束,能够有效地规范化神经网络模型,防止模型陷入过拟合,同时使得模型学习结构化和不冗余的特征表达,极大地提升了网络模型的特征学习能力和图像分类能力。