随着国家的繁荣发展,人民的生活水平明显提高,注重物质生活的同时也开始培养内心的精神世界。国画作为我国传统文化的瑰宝之一,受到越来越多人的品鉴与收藏。因此,国画数字化的趋势越发强烈,有关国画数字艺术馆的管理需求使中国画图像的分类与识别技术成为了亟待解决问题中的关键。经分析发现,国画处理技术面临两个困难,其一是由于国画图像存在“语义鸿沟”,仅提取全局底层特征很难达到良好的分类效果,因此需要获得显著、有用的特征作为分类依据;其二是中国画家在绘画时多以主观意境为主,同一对象不同作者所塑造出的风格大相径庭,因此在基于内容的国画分类上有一定的难度。文章内容主要探索基于深度学习的中国画图像语义分类算法,主要工作如下。1、为了同时捕获国画图像整体风格特征和局部笔触特点而提高分类精度,提出了一种基于卷积神经网络（Convolutional neural network,CNN）与长短时记忆（Long short memory,LSTM）网络相结合的并行混合模型,以实现国画图像分类。首先,设计了一个CNN网络用于得到国画图像的整体风格特征,然后对国画图像进行分块,且设计了一个LSTM网络对这些区域进行处理,从而获取区域间的依赖关系而得到笔触特征。最后,设计了一个特征融合策略,即在所提混合模型中设计了一个自适应加权融合层,通过可学习的方法对上述两类特征进行自适应加权融合,作为国画图像的最终特征表示,送入Softmax分类层实现分类。为了验证所提模型的有效性,在自建的国画数据集（Chinese painting,CP）上进行对比实验,实验结果表明所提模型可达到96%的分类精度,且优于其他算法。2、为了解决国画图像的弱监督问题,提出了一种基于LSTM的多示例学习（Multi-instance learning,MIL）的算法,以实现国画图像分类。为了在MIL框架下实现国画图像分类,首先,设计了一个多示例建模方案,即利用金字塔重叠网格划分方法对国画图像进行分块,从而将其转换为多示例包。然后,设计了一个序列生成器,即利用多示例学习的性质定义了一个“特有性”准则函数,用它从正包中选择一些具有判别能力的示例而构造成一个判别示例集,以将多示例包转换成等长且有序的信号序列。第三,设计了一个具有注意力机制的多层LSTM网络模型,将生成信号序列输入该模型,对其进行语义分析,以获得其记忆编码特征而作为对应国画图像的最终特征表示。最后,利用模型中的Softmax分类层,实现对国画图像的进行分类预测。工作中的创新点有:该算法将注意力机制引入到多层LSTM网络模型中,即通过计算网络当前层输入序列与输出向量的匹配程度,为较高层的LSTM输入分配不同的权重,以充分挖掘不同示例对国画分类的影响程度;针对国画图像分类的基本需求,在深入了解国画图像分类特点的基础上,将LSTM引入到多示例学习方法中,与其他基于包嵌入的MIL算法相比,LSTM更能捕获示例之间的相互依赖关系。对比实验结果表明,将LSTM网络引入MIL是可行的,所提出的MIL算法在国画图像分类中性能也优于其他分类算法。