针对古青铜器年代鉴别任务需要大量的相关史料、鉴别耗时长以及主观性强等问题，提出一种新思路用于辅助考古专家对古青铜器进行分析和年代鉴别。所提方法在图像分类预训练权重的基础上应用深度学习方法对古青铜器进行年代鉴别：首先，通过大量的基础实验，在较为有代表性的4种网络模型中选出鉴别结果较好的EfficientNetV2-L作为基线模型；接下来，使用EfficientNetV2-L对古青铜器数据集进行特征提取；然后，将原有的线性分类层替换为cosin_classifier，减小方差带来的风险，提高模型鉴别能力；最后，引入Focal损失函数替换原有的交叉熵损失函数进行损失计算，在聚焦因子（focusing parameter）和加权因子（class weighting）作用下有效地改善样本数量较少类别所导致的模型学习效果较差的问题。所提方法较原始EfficientNetV2-L在准确率、精确率、召回率、F1分数和曲线下面积等指标上提高4.1百分点、4.0百分点、4.1百分点、4.2百分点和0.9百分点，在测试集上取得91.7%的最优准确率。在此基础上，还对分期有争议的青铜器进行了模型预测分析。结果表明，深度学习技术在古青铜器数据集年代鉴别任务上是有效的，可提供参考分析数据，减轻考古专家的工作强度。

针对传统的蘑菇特征提取方法分类效率低且效果差的问题，提出了一种轻量型的蘑菇图像分类模型。由于实验所用数据集较小，所提分类模型在基于Imagenet数据集的迁移学习中初始化EfficientNetV2模型并修改全连接层。同时为了减少网络中参数影响，对原EfficientNetV2模型进行精简，去除了网络中重复的模块。最后用特征提取效果更好的coordinate attention（CA）注意力机制替代原来MBConv模块中的squeeze-and-excitation机制，得到了新的CA-EfficientNetV2。实验结果表明：所提EfficientNetV2与经典ResNet50模型和RegNet相比分类准确率分别提高了10个百分点和2个百分点左右，并得到较高的泛化性能；相较于原始EfficientNetV2，分类准确率提高了3个百分点。即CA-EfficientNetV2在蘑菇分类问题上具有更高的准确率，具有较高的分类性能。