随着图像资源的易得和丰富,在现代生产和智能生活等多个领域,图像使用正变得日益普遍和重要。传统识别方法使用特征单一、对像素间复杂关系的表现力不足,已不能满足日渐多样的图像特征识别需求。深度学习方法能够自动学习、深度挖掘并综合利用多特征信息,因此,将深度学习应用到图像特征识别领域,可显著提高特征识别的有效性。深入分析深度网络挖掘图像信息的机制、判断影响深度学习算法性能的因素、探寻深度网络解决实际问题的方法和途径,是本研究的重点内容。利用深度学习基本理论,设计了基于稀疏自编码深度学习网络,能够有效学习用于图像重构的基元特征。通过这些基元特征的稀疏性组合,实现对原图像有用信息的去冗余抽象,这种抽象结果能更好地提高图像特征识别性能。通过对手写体数字图像的实验,验证深度网络稀疏重构原图像的特点。通过控制变量法,研究影响深度网络图像特征识别效果的相关因素。实验表明,网络层数和层神经元数量等因素,呈现“设置过多或过少都会降低图像特征识别准确率”的钟型曲线特点。以单玉米籽粒图像为实验对象,研究了籽粒完整性特征的深度学习识别方法。实验通过稀疏自编码和深度卷积两种深度网络实现,两者都取得了超过95%的识别准确率,明显高于传统单隐层反向传播网络71.93%的识别准确率。此外,通过对二者训练时的研究分析,可以看出稀疏自编码网络的学习训练速度更快,更容易满足实时性的需求。通过系列实验证明,深度学习网络更适合解决大规模图像的特征识别问题。本文设计的稀疏自编码深度学习网络,具有识别效果好、网络学习训练速度快的特点。将其应用于玉米籽粒图像完整性特征识别领域,能够兼顾精度和速度的需求。