1.一种图像识别深度信念网络结构的构建方法，其特征在于由下述步骤组成：(1)图像预处理

从图像数据集中选取50400～60000张训练样本图像和6000～20000张测试样本图像进行灰度化和大小归一化至32×32或28×28；

(2)确定图像识别深度信念网络结构

1)确定第一个受限玻尔兹曼机隐含层节点数M

设定受限玻尔兹曼机隐含层节点数为M，将训练样本图像分100批输入到受限玻尔兹曼机网络中，迭代至网络收敛，得到训练样本图像的重构误差，重构误差用(1)式确定：式中m为输入图像的像素点个数，n为每一批数据的图像个数，vi为每一批输入的图像矩阵，为经过隐含层(hn)后重构出的图像矩阵为输出层(pf)，θ为权值与偏置的集合，不断调整M的大小，根据不同M得到的重构误差和迭代所需时间，选择重构误差最小，所用时间最短的节点数M为第一个受限玻尔兹曼机隐含层(hn)节点数，构建成在输入层(vm)与输出层(pf)之间含有一个隐含层(hn)的网络结构；

2)确定网络层数和各隐含层节点数

在确定第一个隐含层(hn)节点数的基础上，在输入层(vm)与输出层(pf)之间增加1～3层隐含层(hn)，将训练样本图像分100批输入到含有1～3层隐含层(hn)的网络结构中迭代至指定迭代次数50～200次，得到识别率，选择使当前层中识别率达到最高所对应的隐含层(hn)节点数，确定网络层数和各隐含层(hn)节点数，构建成图像识别深度信念网络结构；

(3)调整图像识别深度信念网络参数

改变网络初始化方式：将训练样本图像输入到由步骤(1)所确定的输入层(vm)与输出层(pf)之间含有一个隐含层(hn)的网络中，迭代至网络收敛，得到输入层(vm)与隐含层(hn)之间的连接权重，用该连接权重去初始化图像识别深度信念网络结构中输入层(vm)与第一个隐含层(hn)之间的连接权重；

确定图像识别深度信念网络学习率α：通过全局学习算法对图像识别深度信念网络的学习率进行调整，0.1≤α<1，间隔为0.1，选择迭代次数为50～200、识别率最高时所对应的α的值；

在网络损失函数中加入正则项约束并调整正则项系数，在损失函数

中加入正则项约束，得到图像识别深度信念网络的损失函数为(3)式，式中λ为正则项系数，根据图像识别深度信念网络识别率按照1×10-10～1、间隔10倍进行调整λ的值，选择识别率最高时所对应的λ值，式中m为输入图像像素点的个数，n为每一批数据的个数，vi为输入的图像矩阵，为经过一层隐含层(hn)后重构出的图像矩阵，Wij为各层间连接权值，θ为{W,b}，b为图像识别深度信念网络的偏置，得到图像识别深度信念网络结构及参数；

(4)对测试样本图像进行识别

将测试样本图像6000～20000张输入到上述构建成的图像识别深度信念网络中，得到各测试样本图像的识别结果，判断所构建的网络为图像识别深度信念网络结构。

2.根据权利要求1所述的图像识别深度信念网络结构的构建方法，其特征在于所述的步骤(2)中的迭代至网络收敛为：在连续50次训练样本图像的重构误差的变化范围小于

0.001时为收敛。

3.根据权利要求1所述的图像识别深度信念网络结构的构建方法，其特征在于所述的步骤(3)中，在网络损失函数中加入正则项约束并调整正则项系数，在损失函数中加入正则项约束，得到图像识别深度信念网络的损失函数为(3)式，式中λ为正则项系数，根据图像识别深度信念网络识别率按照1×10-5进行调整λ的值，得到图像识别深度信念网络结构及参数。