为实现自动化工业生产中零件的自动识别，对深度残差网络的残差结构进行改进。将储备池模块应用到残差网络的残差连接结构中，使得输入数据的各个区域互相关联后重新进行表征。将提出的模型在工业零件数据集以及公开数据集上与其他深度学习模型进行比较。结果表明：在工业零件数据集上提出的具有数据关联表征的残差网络ResNet18-RC比ResNet18提高了0.17%,且均比其他模型的识别率高。在CIFAR-10、CIFAR-100、Tiny-ImageNet等公开数据集上，具有数据关联表征的残差网络ResNet50-RC分别比ResNet50提高了0.35、0.62、0.54、1.31个百分点的精度，具有很好的图像检测性能。