| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 卷积神经网络的发展历程 | 第9-10页 |
| 1.3 卷积神经网络学习算法的研究现状 | 第10-13页 |
| 1.3.1 网络结构的改进 | 第10-12页 |
| 1.3.2 过拟合问题的解决 | 第12-13页 |
| 1.4 本文主要研究工作概述 | 第13页 |
| 1.5 本文结构安排 | 第13-15页 |
| 第二章 卷积神经网络基础及相关算法 | 第15-27页 |
| 2.1 卷积神经网络的学习算法及基本结构 | 第15-19页 |
| 2.1.1 卷积神经网络的学习算法 | 第15页 |
| 2.1.2 卷积层 | 第15-16页 |
| 2.1.3 池化层 | 第16-17页 |
| 2.1.4 激励层 | 第17-19页 |
| 2.2 本文所涉及的算法 | 第19-26页 |
| 2.2.1 极限学习机（ELM） | 第19-22页 |
| 2.2.2 支持向量机（SVM） | 第22-23页 |
| 2.2.3 主成分分析（PCA） | 第23-24页 |
| 2.2.4 二维主成分分析（2DPCA） | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 卷积神经网络和极限学习机相结合的人脸识别方法 | 第27-38页 |
| 3.1 引言 | 第27-28页 |
| 3.2 卷积神经网络和极限学习机相结合 | 第28-29页 |
| 3.3 实验结果和分析 | 第29-37页 |
| 3.3.1 ORL人脸数据库上实验 | 第30-32页 |
| 3.3.2 XM2VTS人脸数据库上实验 | 第32-33页 |
| 3.3.3 JAFFE人脸数据库上实验 | 第33-35页 |
| 3.3.4 AR人脸数据库上实验 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于 2DPCANet的人脸识别方法 | 第38-49页 |
| 4.1 引言 | 第38-39页 |
| 4.2 PCANet | 第39-40页 |
| 4.2.1 第一阶段PCA | 第39页 |
| 4.2.2 第二阶段PCA | 第39-40页 |
| 4.2.3 输出阶段：哈希和直方图 | 第40页 |
| 4.3 2DPCANet | 第40-42页 |
| 4.3.1 第一阶段 2DPCA | 第41页 |
| 4.3.2 第二阶段 2DPCA | 第41-42页 |
| 4.4 实验结果和分析 | 第42-48页 |
| 4.4.1 YALE人脸数据库上实验 | 第42-43页 |
| 4.4.2 XM2VTS人脸数据库上实验 | 第43-44页 |
| 4.4.3 AR人脸数据库上实验 | 第44-45页 |
| 4.4.4 LFW-a人脸数据库上实验 | 第45-46页 |
| 4.4.5 FERET人脸数据库上实验 | 第46-47页 |
| 4.4.6 Extended Yale B人脸数据库上实验 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于多尺度CNN的图像识别方法 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 改进的多尺度CNN模型 | 第49-51页 |
| 5.3 实验结果和分析 | 第51-58页 |
| 5.3.1 MITIndoor数据库上实验 | 第51-54页 |
| 5.3.2 Caltech-101 数据库上实验 | 第54-56页 |
| 5.3.3 Caltech-256 数据库上实验 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 主要结论与展望 | 第59-61页 |
| 6.1 主要结论 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录: 作者在攻读硕士学位期间完成的论文 | 第66页 |