深度信念网络(Deep Belief Network,DBN)是近年来新兴的一种机器学习模型。其动机在于模拟人的思维方式来学习、分析数据,比如文本、声音和图像。DBN结合了无监督预训练和有监督微调的学习过程,具有自动提取样本概率分布和获取样本本质特征的优势,进而可以实现大数据的图像识别。本文在分析了现有的DBN理论的基础上,深入研究了DBN图像识别的改进算法及其应用。具体研究内容包括以下几个方面。针对DBN识别性能不太高的缺点,提出了两种DBN图像识别的改进算法。一种是基于多尺度主线方向特征的DBN识别方法,该方法首先依据多尺度主线方向特征的提取流程,从样本图像中提取主线特征,然后将主线特征作为原幅值特征的指导信息,一起输入到DBN网络中;另外一种是基于差异稀疏化的DBN识别方法,该方法首先定义了差异的概念,将图像的灰度值转化成差异表示矩阵,实现了低灰度区域的扩张,高灰度区域的压缩,增强了图像的对比度,随后对差异特征矩阵进行去均值、归一化以及稀疏化处理,最后将得到的稀疏化后的差异矩阵输入到DBN网络中。通过在MNIST、CIFAR-10以及SVHN等多个标准数据库上的实验表明,这两种改进算法都能有效地提高DBN的识别性能。接着,对企业生产中的故障指示器状态检测和绝缘子故障识别进行了研究与应用,采用改进的DBN图像识别方法进行了大量的实验。结果显示,两个应用在分类识别效果方面都取得了不错的效果,同时,也验证了改进算法的有效性和实用价值。最后,进一步提出了一种基于图像清晰度理论的图像分割改进算法,用于有效提高DBN识别之前的样本图像预处理的效果。