随着博物馆数字化在全球范围内的发展,绘画作品的智能分析变得越来越重要,而对绘画作品作者的自动识别又是推进其数字化进程的关键环节。近年来,以卷积神经网络为代表的深度学习在图像处理领域取得了不错成绩,为该问题的解决提供了有效途径。在详细分析国内外相关研究的基础上,通过迁移学习、改进的密连接网络、多任务学习以及数据集的增强处理等技术,建立了一种多任务深浅层融合密连接神经网络模型并将它应用于解决绘画作品作者识别问题。该方法在面对数据集数目小、识别类别多的情况下具有好的特征学习能力和抗干扰能力。论文主要成果如下:1.针对训练集数据不足的问题,提出了基于迁移学习的深浅层融合密连接网络建模方法。为充分利用绘画作品的低级特征(如纹理、颜色、阴影等),建立了一种深浅层融合的密连接网络模型。使用自然图像ImageNet数据集作为预训练数据集,加载经预训练的模型参数后在绘画作品数据集上进一步训练以微调模型。该模型在原密连接网络的过渡层之前对特征图进行分离、卷积,池化后直接并联到最终的决策层,使得深浅层信息共同参与最终的识别决策。实验结果表明,在自然图像中学到的信息有助于提升模型对绘画作品作者的识别效果,而在多种浅层特征抽取比例下深浅层融合密连接网络模型都优于原始密连接网络的识别效果。2.针对单任务学习模型对图像特征的挖掘能力有待提高、鲁棒性不强的问题,提出了基于密连接网络的绘画作品作者识别多任务学习方法。针对多任务学习时辅助任务与主任务收敛速度不一致问题,构建了一种在训练过程中动态调整任务权重的方法,以绘画作品的作者识别为主任务、流派识别为辅助任务,使用硬参数共享方式实现任务间的信息交互进行多任务学习。设计了任务权重的动态调整策略,计算主任务与辅助任务的损失下降率,当主任务较辅助任务损失下降率低于设定阈值时衰减辅助任务的权重,提高主任务的权重。实验结果表明,多任务学习提高了模型的学习能力,同时降低了学习到冗余特征的可能性。3.针对数据集有限情形下模型泛化能力的提升问题,提出了基于在线数据增强的深浅层融合密连接网络多任务学习方法。通过翻转、旋转、缩放、投影、平移等在线数据增强处理,将随机处理后的图像作为新的训练集,进一步提高模型的泛化能力。实验证明了在线数据增强在没有增加存储压力的情况下改善了模型应对干扰的能力,提高了网络的鲁棒性,泛化能力更佳。