图像识别是计算机视觉研究范畴内的一个主要探索方向。利用计算机对图像进行剖析和理解,从而实现不同条件下的目标或对象的辨别,是人工智能领域中具备研究价值的一部分。基于卷积神经网络的图像识别模型是指利用图像以及已有的标注信息,完成卷积神经网络模型的构建、学习、验证,产生一个能够用于该领域图像的识别模型,这样的模型应该具备较强的鲁棒性和迁移性。以预识别目标的粒度为考量,图像识别任务包含了图像级目标识别、区域级目标识别和像素级目标识别三类。本文围绕应用于上述三种类别的模型展开研究,具体的研究内容包括以下三个方面:1、研究了图像级目标识别任务的模型。在VGG模型的基础上提出一种用于高分辨率小目标识别的HRST-Net模型,该模型在提高分类识别准确率的同时,能够有效地将小目标的位置信息直观的反映出来。现有的应用于高分辨率小目标图像的模型,在图像缩放中会丢失目标关键特征且无法有效显示目标位置信息,本文所提出的模型中改进的VGG图像分类网络能够有效地解决当目标的尺寸远小于图像尺寸时,在图像缩放过程中造成的目标特征缺失问题。同时,模型中的改进的Grad-CAM关键区域识别算法能够在小目标的分类识别基础上以热力图的形式完成对目标的直观展示。本文模型以胸部X光影像肺结核识别为例进行了实验验证,在保证较好性能的同时识别准确率达到了 83.5%。同时本文还使用了 CT影像的肺部炎症识别中进行实验验证,最终的准确率也达到了 78.2%。2、研究了区域级目标识别任务的模型。本文利用胸部X光影像的肺结节识别,分析了 Faster RCNN、YOLO等识别模型对数据标注的依赖问题,提出一种不完整标注数据集处理的unCL-GAN模型。该模型能够利用不完整标注的数据集,生成完整标注的数据集,配合现有的识别模型进行学习,从而提高区域级目标的识别准确率。现有的目标检测模型的前后景区分机制和目标选择机制要求训练数据集必须包含完整的人工标注信息,否则会造成目标特征的缺失或混淆。将本文模型作为现有识别模型对不完整标注图像的预处理模型能够有效地解决该问题,充分保留目标的关键特征。本文以不完整标注的病理图像数据集为例,通过实验证明标注了 70%和50%的数据集经过本模型预处理后,再经过现有区域级识别模型学习,得到的模型的识别精确度有了显著提升,使最终的识别准确率接近完整标注的识别准确率,达到了 80.9%和75.7%。3、研究了像素级目标识别任务的模型。在unCL-GAN模型的基础上提出一种用于像素级目标的识别的NNI-Net模型,该模型能够更精确地完成目标的细节特征识别任务,提高了像素级目标的识别精确率。像素级目标识别任务要求将识别的准确率规范到像素级别的精度,因此需要对现有模型进行改进,以提高模型对像素级目标识别的精确度。本文模型将U-Net结构融入生成对抗网络,修改了模型对像素判定的损失,并加入了自定义的上采样层进行细节特征的捕获,从而提高了模型的识别精确度。本文以两个眼底影像的视网膜血管识别为例进行实验,并与现有模型进行对比,结果证明本文提出的模型在识别精度上分别能够达到最好的0.963和0.973。同时再次使用胸部X光影像的肺部轮廓识别对模型进行再次验证,最终的识别Dice系数达到了 0.972±0.005。本文以卷积神经网络的图像识别模型为基础,分别针对图像级、区域级、像素级三个不同粒度的目标识别任务中提出了提高识别精度的方法,其中针对图像级目标识别中的高分辨率小目标识别为区域级目标识别模型的搭建提供了思路,并由此扩展出了基于不完整标注的目标识别模型,该模型包括两个分支结构,其中一个分支结构能够支持像素级目标识别模型的研究。本文通过实验证明提出的模型能够有效地解决图像识别模型在数据预处理、模型搭建、预测精度等方面遇到的实际问题,从而丰富了基于卷积神经网络的图像识别模型的应用领域。