1、数据预处理。提高图像分类精度一个常用方法就是收集大量训练样本数据，数据越多，分类效果越好；没有较多数据来源时，可采用数据增强方法来增加样本，包括裁剪、旋转、镜像、色度调整以及饱和度调整等图像处理手段。该方法不仅可以扩展有效数据样本，还能帮助分类器学习处理现实生活中可能出现的畸变。
2、预训练模型。预训练模型是研究者为了解决类似问题所创造出来的模型，一些深度学习框架比如Tensorflow/Keras，提供了带有预训练权重的分类网络模型，可以直接通过迁移学习把预训练权重参数迁移到我们自己构建的网络上。该方法可以节省时间成本，而且在训练样本较少的情况下提高分类精度。
3、网络瓢遥费涓调参。网络参数的设置直接影响着网络模型的分类精度，需要调节的参数有好多，比如：batch_size、learning rate、隐层units数、网络层数、L1／L2正则项参数等等，这些参数都需要根据训练过程进行调节；另外选择好的优化算法可以使模型产生好的效果，包括反向传播优化算法、学习率衰减等等。
4、更换网络结爿瑰鲚母构。分类网络模型不断地在更新和完善，从最初的LeNet、AlexNet、GoogleNet（In艘早祓胂ception结构），到后来性能更好的ResNet、DesNet等网络模型，这些网络都具有自身的特性和创新之处，当网络模型分类准确度不再增加时，可以尝试选用网络更深、精度更高更复杂的分类网络。
