1. 研究目的与意义
科学技术的飞速发展，自媒体的日新月异，图像视频充斥着人类生活的方方面面，基于海量数据的图像分类和识别技术成为当前研究的热点，这些数据中存在巨大的价值，传统的数据挖掘手段和处理方式已经无法满足人们越来越多的需求，例如进行人脸识别、图片分类、智能翻译、各种预测等，这些应用场景非常依赖数据以及在数据之上的算法模型，因此需要采用一种机器学习的方式对这些数据进行应用和处理，从而更好地利用这些数据。
图像分类是计算机视觉中的一项重要任务,传统的图像分类方法具有一定的局限性。
随着人工智能技术的发展,深度学习技术越来越成熟,利用深度卷积神经网络对图像进行分类成为研究热点,图像分类的深度卷积神经网络结构越来越多样,其性能远远好于传统的图像分类方法。
2. 研究内容和预期目标
研究内容：
基于TensorFlow环境下，利用Python语言，设计模型（CNN，卷积神经网络），根据给定的图像库进行训练，显示训练结果指标的各种图形，利用训练的结果对给定的花卉图像进行分类。
关键问题：
3. 国内外研究现状
现有的深度学习模型属于神经网络。
神经网络的历史可追述到上世纪四十年代，曾经在八九十年代流行。
神经网络试图通过模拟大脑认知的机理，解决各种机器学习的问题。
4. 计划与进度安排
2022.10 -- 2022.12：论文选题；设计模型；初步实现图像分类。
2022.1 -- 2022.2 ：寻找合适的图像数据库；调整模型，提高精度。
2022.2 -- 2022.3 ：完成论文初稿。
5. 参考文献
[1] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J].lt;igt;Communications of the ACMlt;/igt;, 2017, 60(6): 84-90.
[2]ImageNet classification with deep convolutional neural networks[J] . Alex Krizhevsky,Ilya Sutskever,Geoffrey E. Hinton.Communications of the ACM . 2017 (6)
[3] 秦敏.基于深度学习的花卉图像分类识别模型研究[D].桂林：广西师范大学，2020:12-15.[4] 谭涛.基于卷积神经网络的随机梯度下降优化算法研究[D].重庆：西南大学，2020:13-19.[5] 吕恩辉，王雪松，程玉虎.基于反卷积特征提取的深度卷积神经网络学习[J].控制与决策，2018,33(3):447-454.[6] 喻晓雯，张楠，张勇.神经网络识别方法在图像实时风格应用中研究[J].计算机工程与应用，2011,47(27):246-248.[7] 胡振，傅昆，张长水.基于深度学习的作曲家分类问题[J].计算机研究与发展，2014,51(9):1945-1954.[8] 刘丹，张乃尧，朱汉城.图像特征识别的研究综述[J].计算机工程与应用，2002,38 (24):74-77.[9] 张奇，苏鸿根.基于支持向量机的图像识别方法[J].计算机工程与应用，2004,40(18):99-101.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
