In dieser Arbeit stellen wir zwei Bildklassifikationsmodelle auf dem Tiny ImageNet-Datensatz vor. Wir haben zwei sehr unterschiedliche Netzwerke von Grund auf neu entwickelt, ausgehend von der Idee der dicht verbundenen Faltungsnetze (Densely Connected Convolution Networks). Die Architektur der Netzwerke wurde anhand der Bildauflösung dieses spezifischen Datensatzes und durch die Berechnung des Empfangsfelds (Receptive Field) der Faltungsschichten gestaltet. Zudem haben wir einige nichtkonventionelle Techniken im Zusammenhang mit Bildverstärkung (image augmentation) und zyklischer Lernrate (Cyclical Learning Rate) angewendet, um die Genauigkeit unserer Modelle zu verbessern. Die Netzwerke wurden unter hohen Restriktionen und mit begrenzten Rechenressourcen trainiert. Unser Ziel war es, eine Top-1-Validierungsgenauigkeit von 60 % zu erreichen; die Ergebnisse und die Fehleranalyse werden ebenfalls präsentiert.