随着计算机的发展以及大数据时代的到来,深度学习技术广泛应用于图像识别、目标检测和自动驾驶等众多人工智能的相关领域。卷积神经网络作为最重要的深度学习模型,能够自动提取二维数据当中的特征,取代传统方法的繁杂人工特征设计,相比传统的全连接极大的减少模型的参数。本文针对卷积神经网络,主要研究一种自适应卷积核。首先,设计了一种新的自适应卷积核。传统卷积核的参数由全局特征信息决定,较难提取局部特征信息,从而导致一定程度的特征图的信息模糊化等问题。为此,本文提出一种新的自适应卷积核,其核参数自适应依赖特征图的局部信息,能够很好地提高卷积核提取局部细节特征的能力,从而有效地克服了传统卷积核的不足。其次,推导了基于自适应卷积核的网络层的反向传播算法。我们考虑5×5的灰度图作为输入,以大小为3×3的自适应卷积核为例,给出了其核参数的梯度计算公式,并详细推导了自适应卷积层的误差反向传播公式。最后,基于mnist手写数据集,通过与传统卷积网络模型的比较,验证了基于自适应卷积核的卷积神经网络模型的有效性。我们研究了卷积核大小、卷积步长、卷积核个数、卷积核参数的影响,结果表明其在精度上优于传统卷积神经网络模型。进一步,通过对比卷积层得到的特征图,发现自适应卷积层所得到特征图在轮廓和边缘上更为清晰,显著优于传统神经网络模型的结果。最后,将自适应卷积成功应用于LeNet网络模型中。