随着深度学习技术的兴起,基于深度神经网络的图像分类精度得到显著提高,该技术将深图像分类技术推向一个新的高度。但在实际应用的过程中,分类精度仍需进一步提高。为了提升基于深度学习的图像分类算法的精度,针对深度神经网络中随机处理过程导致差异特征的特质,本文提出了一种结合差异特征的对称深度神经网络,并将其应用于图像分类。主要工作如下:第一,提出了一种结合差异特征的对称深度神经网络模型。基于不同模型对于相同图像提取特征具有差异性的特性,通过结合两个不同深度模型输出层构造一个对称模型。分析了不同深度神经网络之间对同样图像提取到的具有差异性特征的原因,并通过实验验证差异的存在。在这种基于差异的对称模型中,子网络通过前向传播得到有差异的图像特征,为了利用这种差异性,提出了在子网络最顶端的特征层对差异特征进行融合及利用差异优化模型损失函数的思想,并给出了左右子网络特征层与类别层全连接的方法。第二,基于这种结合差异组成对称深度模型的思想,本文将这种结合方式扩展为左右子网络为深度置信网的对称深度置信网,以及左右子网络为卷积神经网络的对称卷积神经网络。设计了深度置信网及卷积神经网络两种对称网络的构建和训练方法,通过对左右子网络差异性的分析,给出了度量左右子网络的差异的方式,并将该差异作为罚项优化传统损失函数,通过误差反向传播算法实现模型参数的调优,获取更精确的类别以实现图像分类。在Matlab平台上,通过数据集MNIST和CIFAR-10的实验结果表明,相较于深度置信网及卷积神经网络,通过差异集成的对称深度模型能取得较好的分类性能。