卷积神经网络(Convolutional Neural Networ,CNN)是一种深度前馈神经网络,近些年已成为图像识别领域中的研究热点。CNN作为强有力的图像识别工具,在取得很好效果的同时,在实际应用中也存在着诸如权值优化、过拟合、网络退化等问题。因此,寻找合适的改进方案,将CNN以合理的形式融入到新的应用模型中,对解决实际问题至关重要。论文从CNN的过拟合问题和特征融合问题两个角度出发,对传统CNN进行改进,结合主成分分析算法(Principle Component Analysis,PCA)在图像处理方面的优势,建立了PCA与CNN耦合算法,并将其应用到球团矿相识别问题中。首先,对CNN的基本结构及训练过程进行分析,重点研究了局部感受野、权值共享以及卷积计算相关理论,提出CNN算法在实际应用中遇到的两类优化问题,即模型过拟合问题和特征融合问题。其次,针对过度拟合问题,提出了图像缩放、调整图像亮度和对比度、图像翻转、图像旋转、高斯滤波、图像分割和PCA降维7种图像处理方法,从数据增强和数据降维两方面提高样本数据质量,有效避免了模型过拟合问题的出现,在提高模型计算速度的同时也提高了模型的识别精度。针对特征融合问题,建立了PCA与CNN的耦合算法,对CNN模型中每次卷积得到的特征做PCA降维处理,将PCA的主特征提取融入到CNN的深度学习中,二者有效结合,实现PCA提取的浅层信息特征与CNN提取的深层特征的多层特征融合,从而增强了整体模型对图像的表现能力。最后,基于预处理之后的球团矿相样本集,建立基于矿相识别的PCA与CNN耦合模型,对矿相的位置及碱度进行识别,并将识别结果与传统CNN算法的识别结果进行对比。比较发现,PCA与CNN耦合算法的位置及碱度识别准确率分别为93.82%与91.26%,均高于传统CNN算法92.73%和88.93%的准确率,从而验证了PCA与CNN耦合模型的准确性及其在矿相识别问题中的适用性。扩展了深度学习算法在冶金领域的应用范围,有利于推进我国钢铁行业向智能化方向发展。图39幅;表6个;参83篇。