图像分类是目标检测与语义分割的基础,在人脸识别、垃圾识别等现实场景中都有广泛的应用。因此在模糊图像的场景下,如何使用深度神经网络提取图像中的有用特征成为了图像分类领域中的关键问题。针对模糊图像中的语义特征不足和训练样本量少导致卷积神经网络训练时间长和分类精度较低的问题,本文对卷积神经网络的结构进行了优化和改进,提出了改进的Inception-V3模糊图像分类模型。具体研究内容如下:（1）基于卷积神经网络的模糊图像分类优化研究。本文对现有的卷积神经网络的模型进行了分析,优化出一种新的卷积神经网络模型CNN8（Convolutional Neural Network 8）。首先通过在现有CNN模型中加入Dropout算法提升模型的泛化能力,接着在每一个卷积层中使用Kaiming算法来提升模型在训练时的收敛速度,最后使用全局平均池化代替全连接层,以降低模型的参数量,来提升模型对样本的分析能力。实验结果表明,CNN8卷积神经网络模型能较好地解决模糊图像上因语义特征不足所产生的问题,完成图像分类。（2）基于改进的Inception-V3模糊图像分类模型研究。本文结合迁移学习策略,提出了一种改进的Inception-V3模糊图像分类模型。首先保留并冻结在大数据集上预训练好的Inception-V3模型。然后再将其迁移到样本数据少的模糊图像数据集上,对模糊图像数据集进行分类。接着进一步对Inception-V3模型进行改进,在Inception-V3模型中加入CNN8模型以降低模型的参数量减轻训练负担。最后使用改进的Incetpion-V3模型对模糊图像数据集进行分类实验。实验结果表明,本文提出的改进Inception-V3与其他模型相比,能有效解决模糊图像中因样本量少所导致的分类精度低问题,改进效果较好。图[35]表[10]参考文献[78]