图像是人类获取信息的重要方式,随着科技的发展,图像的产生速度越来越快。使用计算机进行图像识别,在众多行业发挥着重要的作用,是当前研究的热门课题。传统的图像识别技术采用人工选择特征,使用模式匹配、线性分类等算法进行图像识别,识别的准确率十分依赖于所选特征的质量,很难提取到可以表达原始数据本质的特征。深度学习方法用于图像识别,相对于传统方法有很大优势,常用的方法是构建深度神经网络,使用一定量的数据进行训练,深度神经网络会自动提取图像的特征,达到较好的识别结果。卷积神经网络是深度学习应用于图像识别的关键网络,通过构建卷积神经网络,可以逐层提取图像的特征。网络的构建和训练的方法是深度神经网络识别效果的关键,优秀的网络设计可以用更少的参数达到更好的训练结果,特殊的网络组成部分可以加快训练的过程,合适的训练方法可以充分发挥网络的能力。本文介绍了深度学习应用于图像识别的相关知识,并试验多种深度神经网络,采用不同的训练方法,分析了它们的准确率。采用模型拼接的方法,将多个网络进行整合,调整网络训练的参数,得到更好的结果。在图像目标识别的基础上,设计了后处理方法,计算两个目标的各种位置关系和大小关系,绘制类别直方图,可用于分析目标的逻辑关系,可以计算目标识别的合理性,用于修改识别结果。设计并实现深度学习图像识别的图形化操作界面,系统支持选择训练网络的参数,实时反馈训练的进度,并提供专门的页面分类查看图像的测试结果。最后将识别图像的程序作为网络服务为用户提供图像识别服务,并使用该服务对街道图像进行识别分析。