最佳图像分类CNN模型：LeNet-5、AlexNet、VGGNet、GoogLeNet、ResNet、DenseNet

对于图像分类任务，有许多经典的卷积神经网络（CNN）模型被广泛使用和研究。以下是一些最适合图像分类的常用CNN网络：

LeNet-5：是一个相对简单的CNN模型，由Yann LeCun等人在1998年提出。它是第一个成功应用于手写数字识别的CNN模型。
AlexNet：由Alex Krizhevsky等人在2012年的ImageNet图像分类竞赛中提出。它是第一个深度CNN模型，具有多个卷积层和全连接层。
VGGNet：由Karen Simonyan和Andrew Zisserman在2014年提出。VGGNet具有非常深的架构，具有16或19个卷积层，采用较小的卷积核尺寸（3x3），使网络更具表达能力。
GoogLeNet（Inception）：由Christian Szegedy等人在2014年提出。它采用了Inception模块，使网络能够以更高的效率提取不同尺度的特征。
ResNet：由Kaiming He等人在2015年提出。ResNet是非常深的网络结构，通过引入残差连接解决了梯度消失问题，使网络的训练更加容易。
DenseNet：由Gao Huang等人在2016年提出。DenseNet的特点是每个层与所有较低层直接连接，并将它们的特征图级联在一起，从而促进了特征传播和重用。

这些CNN模型都被广泛用于图像分类任务，并在各种数据集上取得了显著的性能。具体选择哪个模型取决于您的任务需求、计算资源和数据集规模等因素。同时，还有许多其他的CNN模型可供选择和探索。