图像分类与特征提取作为机器视觉与人工智能领域重要的研究内容之一,在智能交通系统、辅助医疗诊断、安防监控与航空检测等许多领域具有广阔的应用前景。常规浅层次分类技术需要设计易于区分或者可辨识度特征,无疑加大工作量,识别准确率低下。同时伴随多媒体信息技术不断发展,许多信息特征不断充斥着整幅图像,导致在图像分类和特征提取过程中含有太多冗余信息和无关特征,增加整个操作过程负担和计算成本,并影响效率和准确度。与此同时,由于一些特殊领域中会产生图像数据缺乏或者分布不平衡而造成小样本图像分类问题,使用常规深度学习技术很难产生令人满意的分类效果和准确率。针对于图像分类与特征提取过程中产生的这些技术难题,本文在借鉴深度学习和强化学习相关内容后开展如下研究:针对在图像特征提取过程中会引入无关噪声和冗余信息,进而造成图像分类效率和准确率低下问题,本文采用基于深度强化学习的图像裁剪模型。深度学习具有感知力,而强化学习具有决策力,将两者相互结合形成深度强化学习来实现图像裁剪。将图像裁剪视为一个序列决策过程的马尔可夫模型,让强化学习中智能体与裁剪环境进行交互,通过构建全新奖励函数来引导智能体优化动作,从而在原始图像上寻找最佳裁剪图像。通过在相关开源数据库上对图像裁剪精度和裁剪过程中时间效率进行定量分析,对裁剪输出图像进行可视化定性对比来验证该模型的有效性,并应用于图像分类模型。为提高小样本图像分类的精度和效率,本文采用图像裁剪模型并融合关系网络来解决该问题。将输入图像做裁剪操作来提取图像显著性区域,过滤无关噪声和冗余特征。然后使用关系网络进行分类操作,将已知类别图像与未知类别图像通过关系网络中特征提取单元进行特征提取,然后将提取后特征进行特征组合,并将组合特征馈送到关系网络中关系度量单元进行特征比较来实现小样本图像分类学习。通过实验结果对分类准确率进行定量分析和定性对比来突出该融合模型的高效性。