最近,一种名为胶囊网络(Capsule Network,CapsNet)的新型神经网络引起了许多研究人员的关注。CapsNet是克服卷积神经网络缺点的一次伟大尝试,并且它在一些简单的数据集(如MNIST)上实现了世界上最好的性能。但是该CapsNet的网络结构专门为MNIST构建,在CIFAR-10等更复杂的图像分类数据集上表现却较差。因此,研究如何基于原始CapsNet进行有效的改进以在复杂数据上取得更好的结果意义深远。为了解决这个问题,本文侧重从网络结构和动态路由机制两方面对原始CapsNet进行改进。首先提出名为反卷积胶囊网络(Fractionally-Strided Convolutional Capsule Network,FSC-CapsNet)的新型CapsNet结构。FSC-CapsNet改进了原始CapsNet编码器和解码器两部分的网络结构。为了提取更好的特征,FSC-CapsNet增加了编码器部分中胶囊层之前的卷积层层数,并通过在解码器中采用两个反卷积层来提高重构效果。此外,FSC-CapsNet的结构中没有使用任何池化层。接着本文对原始CapsNet中的动态路由机制进行改进,将动态路由机制设定为两个阶段并增加最后输出向量的维数,将新动态路由机制命名为深度动态路由机制(Deep Dynamic Routing Mechanism,DDRM),并提出一种基于DDRM的新型CapsNet,命名为DDRM-CapsNet。DDRM-CapsNet增加了编码器部分中胶囊层之前的卷积层层数,解码器部分则采用原始CapsNet的结构,其同样没有使用任何池化层。为了评估本文提出的方法在复杂数据上的性能,不使用任何集成方法和数据增强技术,分别用FSC-CapsNet单模型和DDRM-CapsNet单模型在五个真实世界数据集上进行实验,这些数据集具有比MNIST更高的维数和更大的尺寸。实验结果表明,与原始CapsNet相比,本文提出的方法都可以实现更好的分类准确率并提高了重构效果。