就如视觉对于人的重要性一样,计算机视觉对于通用人工智能来说也是其必不可少的一部分。图像分类、目标检测等计算机视觉技术在实际生活中发挥着越来越广泛的作用,如智慧交通、智慧医疗、自动驾驶等。相比于传统的机器学习算法在计算机视觉中的应用效果,近年来获得蓬勃发展的深度学习方法,在计算机视觉的某些研究方向上取得了突破性进展。在这背后,以卷积神经网络为基础的深度学习分类网络(简称分类网络)发挥了重要作用,本文对分类网络进行研究,主要工作如下。首先简述了从浅层神经网络到深度学习的发展历史,重点关注神经网络历史发展中至今仍存在的问题。对神经网络及卷积神经网络的原理进行介绍,借助深度学习框架,对经典的分类网络进行复现,同时总结各个网络的设计思路和结构特点。然后详细叙述了将不同的分类网络应用于图像分类和目标检测任务的试验流程及试验结果,并使用最新的分类网络对目标检测框架中的主体网络进行替换,改进目标检测模型,提升检测准确率。将GoogLeNet网络的融合结构和ResNet的跨层连接结合起来,提出基于通道融合的分类网络,并将其于手写汉字识别的实际任务中与其他网络进行对比试验,以验证通道融合结构的有效性。对于因硬件资源问题无法单独训练深层次分类网络时,提出通过融合多个已训练分类网络在该数据集上的分类结果以提高分类准确率。其中多网络融合方法包括基于输出加权的多网络融合和基于网络拼接的多网络融合方法,基于输出加权的融合方法仅能用于图像分类任务,而网络拼接方法通过拼接特征还可用于其他计算机视觉任务中去。