深度学习技术在人工智能领域已经被应用到各行各业中,为人们提供更加智能信息资源。通过组合多种类型的网络层,形成深度神经网络模型,逐层对原始数据计算,利用反向传播算法学习对数据越来越抽象的表示形式,从而提高诸如目标检测、图像分类等任务的精确度。深度学习技术提高分类任务识别精确度的关键在于深度神经网络的网络层深度是否适当,类型是否丰富,网络结构是否合理,训练效率是否可接受等方面。为了提高深度神经网络对图像分类的精确度,本文分别从深度神经网络的网络结构和网络训练效率两方面提出了新的思路,并进行了验证。网络结构方面,本文提出了一种基于多个图像特征提取网络模型的深度神经网络,通过将数据特征抽象阶段的网络层分成多个计算路径,各个计算路径相互不干涉,分别同时对相同的训练样本数据进行特征抽象计算,利用反向传播算法对各个路径对应的模型参数进行微调,学习图像特征,并输出对候选图像类型的预测概率分布。同时,为了丰富特征提取网络模型的种类,还设计了一种基于自编码器的特征提取网络模型,与经典卷积神经网络一起构成了本文的多路特征提取网络模型。经过特征提取阶段,对应得到多组预测概率分布,并输入至本文设计的误差分析网络中,综合考虑每组数值,经过一系列网络层的计算变换,最终给出更加接近真实标签的预测概率值,达到提高预测精确度的目的。网络的训练效率方面,本文通过把多路训练网络计算过程中超出计算机内存的部分中间计算结果临时放在指定磁盘空间,避免系统无规则的数据交换,同时改进操作系统底层的I/O调度算法,引入遗传算法的思想,独立维护I/O调度算法的关键参数,使其能够根据上层应用的实际I/O压力,动态地筛选出最佳的参数组合,从而提升系统对I/O请求调度的能力。同时,本文还设计构建了一个可靠的操作系统环境,以确保多路训练网络在该环境下训练时测试得到的I/O压力数据的有效性。