随着物联网和电子商务的快速发展,基于特征的图像检索和分类已成为购物者在网站上搜索相关产品信息的严峻挑战。 过去十年见证了对基于内容的特征提取技术的研究的极大兴趣。 而且,语义属性不能完全表达丰富的图像信息。 本文设计并训练了一个深度卷积神经网络,该卷积神经网络的卷积核大小和网络连接顺序是基于高效的过滤能力和覆盖范围而设计的。 为解决深度卷积神经网络训练时间长,资源共享高的问题,本文设计了一种浅层卷积神经网络,以达到相似的分类精度。 深度卷积神经网络和浅层卷积神经网络具有数据预处理,特征提取和softmax分类。 为了评估网络的分类性能,使用公共数据库Caltech256和包含15种服装和5种鞋子的自制产品图像数据库进行了实验,这些数据库共计来自购物网站的20,000个彩色图像。 与将基于内容的特征提取技术与传统支持向量机技术相结合的分类精度相比,从76.3%到86.2%,深层卷积神经网络的最新分类精度达到了令人印象深刻的92.1%,而浅层卷积神经网络的分类精度却很低。卷积神经网络的分类精度达到90.6%。 此外,所提出的卷积神经网络可以在其他彩色图像数据库中集成和实现。