采用深度学习框架完成模型构建、训练及网络参数保存及加载，当输入未知类别图像测试集时，能完成图像的正确分类识别，包括： 收集数据集：收集图片数据集数据集预处理：读取数据集，对数据集进行预处理，模型的构建、训练及保存，模型的加载、测试、评估效果

首先，我们需要收集图像数据集，可以从公开数据集中获取，也可以自己采集和整理。然后，对数据集进行预处理，包括图像的大小调整、归一化、灰度化等操作。

接下来，我们可以采用深度学习框架，如TensorFlow、PyTorch等构建模型。常用的模型包括卷积神经网络（CNN）、循环神经网络（RNN）、深度残差网络（ResNet）等。构建好模型后，我们需要将数据集分为训练集和测试集，使用训练集对模型进行训练，调整网络参数，使其能够适应数据集中的特征。训练结束后，我们可以保存模型的参数，以便后续使用。

当我们输入未知类别的图像测试集时，可以使用保存的模型参数对图像进行分类识别。具体来说，我们可以先将图像进行与训练集相同的预处理操作，然后输入到训练好的模型中进行分类预测。

最后，我们可以评估模型的效果，通常采用准确率、精确率、召回率等指标进行评估。如果模型效果不佳，可以调整网络结构、优化算法等方法来提高其性能。