随着互联网和计算机的发展,图像数据呈现爆发性增长的趋势。越来越多的图像物理表现与人们所熟悉的概念信息之间存在着巨大的差距,这对算法的处理能力和分类速度提出了很大的挑战。因此优秀的特征提取算法和分类模型是大规模图像处理方面一个重要的研究方向。由于图像数量增大,使得提取图像的特征种类和数目也会变得庞大,这对于项目的应用和设备产生了巨大的考验。本课题主要研究了大规模图像分类中基于层次分类的一些问题。首先,如何既能提高分类精度,又能减少特征数已成为大规模图像分类研究的一个关键问题。其次,由于浅层网络提取的特征不丰富,表达不全面,是影响分类结果的主要因素,所以选择更加优秀的替代网络显得尤为重要。最后,在大规模数据下,需要根据不同网络模型的性能,选择适合样本集的分类学习模型,以提高分类的准确率。针对这些问题,本课题进行了相关研究,主要工作总结如下:(1)对于浅层网络提取特征数目庞大的问题,本课题研究并实现了浅层网络提取特征的方法:即首先使用SIFT算法,再使用局部约束线性编码(LLC)进行特征数目稀疏,这样可以有效的减少特征数,提高速度。(2)由于传统的浅层网络特征提取与分类耗时耗力且修改算法难度大,本课题研究并实现了在分类结果上使用基于层次分类的DARTS优化算法,通过计算每个节点的信息增益,从而使得在人为设定的精确度下权衡出最准确的结果。(3)针对基于层次分类的浅层网络提取特征不丰富的问题,本课题研究了深度学习的理论知识,设计了使用卷积神经网络(CNN)进行特征提取与分类的模型。经过不断地卷积和下采样,最终学习出多层网络堆叠,形成深度网络结构。(4)用浅层和深层网络对两个不同的数据库进行算法验证。两种数据库分别是:道路卡口的车流量视频和常见的ImageNet数据库,对两种数据库进行了测试,以对比两种分类算法的性能。(5)在手机上设计一个APP,搭建了基于层次分类的卷积神经网络的图像分类算法系统,验证了本课题方法的有效性。