随着多媒体信息处理技术的蓬勃发展,多媒体信息的处理应用在人们的生活中变得越来越广泛。数字图像作为多媒体信息的一种重要形式,与其相关的研究处理在生活中的很多领域里都占据了重要地位。图像分类属于数字图像处理中的基础研究内容,具有很重要的研究价值,很多相关研究都是在图像分类的基础上展开,比如目标检测、图像分割、目标识别等。卷积神经网络模型作为近年来数字图像处理中研究最多的图像处理方法,相比传统分类方法,其分类精度高,性能较为优秀,在生活中有很多的实际应用,但是也存在很多缺陷和难点需要攻克。本文针对运用较为广泛的AlexNet网络模型和VGG-16网络模型在图像分类上存在的不足进行了改进和深入的研究。本文首先从目标函数优化的角度详细的介绍了卷积神经网络的基本结构,针对卷积神经网络中的基本结构进行了深入的研究分析,对卷积神经网络涉及到的相关计算从目标函数优化的角度给出了详细的推导;然后针对卷积神经网络AlexNet在多标签图像上分类识别准确率低的问题,以AlexNet神经网络为基础网络框架将网络的卷积层设计为三分支结构,运用对特征提取更充分的ELU激活函数,加入批归一化操作加快网络学习速率,改进形成新的分类卷积神经网络。通过梯度下降算法在Caltech-256数据集上迭代优化改进的网络,结合实验结果分析验证网络改进策略的有效性;最后针对VGG-16卷积神经网络对多标签图像分类训练难度大,分类结果相对较差的问题,利用三分支结构改变网络特征提取方式和改变卷积层连接机制改进VGG-16卷积神经网络,在UCM多标签数据集上训练并测试改进之后的卷积神经网络。对比实验验证了改进网络的有效性,改进之后的网络精确率提高了 15%,召回率提高了 17%,F1值提高了 16%。