随着信息技术的飞速发展,信息充满人们的日常生活。而图像在所有信息中占据最重要的地位,它包含的信息量大,而且易于被人们接受,相比于声音和文字,图像更加直接。因此,图像处理具有现实的研究意义和广泛的应用前景。为了实现图像智能识别的任务,采用深度学习技术为解决该问题提供了一个重要的方向。深度学习模仿人脑的视觉机制来学习样本数据之间的内在规律和表示层次,能够深刻表达数据的本质特征,是机器学习领域中一个备受关注的研究方向。深度信念网络以研究某些对象或过程的分类与描述为主要内容,可以直接利用原始图像进行识别测试,为原始图像的特征提取和后续图像的识别提供基础模型,是一种重要的多层网络结构。本文在对深度信念网络进行深入理论研究的基础上,将其简单应用于故障指示器识别中。本文从能量公式出发,推导了DBN的权值和偏置的表达式,建立了DBN的基本等效模型。基于此模型,从表达式的角度解释了权值和偏置的意义、权值和偏置收敛的最终目标;偏置与信号的能量的关系,与概率的关系。从模型的角度分析了分类的极限性能;给出了隐含层的层数确定方法,证明出当深度学习时,隐含层输出的样本之间的互相关系数达到0(1)或-1时,或者样本之间的互相关系数不再改变时,进一步增加层次对提高分类正确率是没有帮助的;最后又对图片泛化性进行了分析。利用标准图像及随机图像进行了系统试验和大量测试,通过实验仿真验证本文提出方法的可行性与实用价值。