光的散射会将入射光有序的信息变成出射光的无序信息,散射介质会对入射光进行重新编码,散射现象对光信息的重新编码会也给各个领域的研究带来了诸多不便。随着对光学散射介质成像问题研究的深入,光学散斑图分类也逐渐成为了研究的热点问题。传统方法对光学散斑图分类问题的研究是基于光学原理对散斑图的特征进行提取,但是这种方法存在原理复杂、效果相对较差以及实际应用困难等缺点。为此,本文结合深度学习的方法分别对不同属性不同类别的散斑图二分类问题进行研究和相同属性不同类别的散斑图多分类问题进行研究,本文的主要工作和成果如下:(1)本文迁移了Alex Net卷积神经网络、Inception＿V3卷积神经网络和Dense Net169卷积神经网络,对以LFW数据集和Corel5k数据集为原始图像的散斑图进行不同属性不同种类数据的二分类问题进行研究。并且得出了Dense Net169卷积神经网络能够成功提取散斑图特征的结论,该网络在训练集和验证集上分类的准确率分别达到了0.980和0.950。(2)本文进一步对以MNIST数据集为原始图像的散斑图进行相同属性不同种类的数据进行多分类研究。由于单纯的卷积神经网络对相同属性的散斑图特征提取效果较差,若需要对该问题进行研究,需要先对散斑图进行重构。本文使用全连接神经网络对散斑图进行重构。然后,使用Dense Net169卷积神经网络对重构的图像进行分类,并且在训练集和验证集上分类的准确率分别达到了0.965和0.955。综上,本文对基于卷积神经网络对散斑图在不同属性不同种类的二分类以及相同属性不同类别的多分类的研究均取得了不错得效果,并且将该方法成功应用到交通领域。同时,本文使用深度学习的方法对光学领域的问题进行研究,这也促进了深度学习和光学领域的学科交叉融合。