深度学习的发展日新月异,在普通神经网络的基础上,卷积神经网络应运而生,已然成为图像领域一类高效的识别算法。Le Cun设计了经典的卷积神经网络模型结构Le Net-5,它包括多个层次的卷积和抽样过程,然后将提取到的有效特征输入到全连接层通过训练和计算之后进行分类或回归。一个典型的传统模型被用来改善卷积的网络结构和性能,它可以有效地提高网络的效率和图像的识别效果。本文在深层次研究了卷积神经网络相关的理论和国内外在该领域研究成果的之后,主要完成了以下工作:1)构建自己的图片库,生成有效数据集,传送到输入层传到经过优化的卷积神经网络模型中,经过训练和计算之后得到图像分类结果。2)在卷积层通过四种常用激励函数实验效果对比,对其进行改进优化,使用了Tanh_Relu这个线性修正的函数,能够加快收敛速度,在数据集上测试并进行结果验证分析。3)在隐含层使用了网络泛化的方法最大池化DROPOUT,通过实验对比验证方法的有效性,使得本实验模型的通用性和识别性能得到了提高。4)在整个训练过程中通过实验验证了了本论文采用方法的正确性和有效性,并调整了相关函数的选取以及考虑对应参数的影响,对比分析了实验验证结果。5)将改进的CNN图像识别算法结合到增强现实系统中,成功开发了一个优化的基于iOS的AR系统。