胶囊网络将图像的实体和空间信息编码成胶囊,通过动态路由筛选出低级胶囊中的关键信息并映射成高级胶囊。动态路由迭代更新的方式能够充分利用图像的特征信息,但也存在局限性。一方面,高低胶囊层间的全连接结构不能高效区分不同特征的贡献度大小,而且需要人为指定的迭代次数也使模型更易受到冗余特征的干扰;另一方面,独立于反向传播的动态路由仅靠耦合系数筛选特征,由此会抑制同一关键特征对多个高级胶囊的支持,造成关键特征的丢失。此外,单个卷积层的特征提取不仅不充分,还使得胶囊中含有更多的冗余特征,进而影响模型的收敛速度和分类精度。针对上述问题,本文依次提出两个模型探究胶囊网络在理论和应用方面的良好性能。针对胶囊网络在处理复杂图像时不能有效提取关键信息、分类准确率低的问题,本文提出了基于点乘注意力的胶囊图网络模型。为有效提取图像中的关键信息,在特征提取模块增加通道注意力,在抑制噪声负面影响的同时为有效特征赋予大的权重,优化胶囊质量。为获取同层胶囊之间的依赖关系,在获得的高质量初级胶囊间使用点乘注意力构建胶囊图结构,利用拉普拉斯特征映射得到高级胶囊,以此提升模型在同层胶囊中的特征选择能力。同层的胶囊图路由算法通过反向传播进行训练,弥补了动态路由需在胶囊层间独立更新的缺陷。此外,为保持高级胶囊在激活后的长度优势,适当调整原始激活函数中的超参数。实验结果表明,基于点乘注意力的胶囊图网络模型在控制参数量的前提下,实现了在CIFAR10等基准数据集上的更佳性能。针对脑梗MRI样本量小、图像结构复杂,胶囊网络在其上的分类准确率还有待提升的问题,在胶囊图网络模型的基础上提出了一种基于残差结构的复合路由胶囊网络模型。添加恒等映射的残差结构不仅提取了复杂抽象的高级特征,同时也将重要的低级特征融合到向量胶囊中,提升了胶囊对空间和通道方面的特征表达能力。改进后的特征提取模块不仅优化了胶囊的质量,而且也实现了模型的稀疏性表达。为进一步提升模型的性能,在同层胶囊图路由后加入不同层胶囊间的特征匹配度。多层次的路由过程充分捕获了图像多个角度的有效特征。基于残差结构的复合路由胶囊网络不仅在基准数据集上取得了超越其他胶囊网络变体的效果,而且在脑梗MRI图像分类中取得了98.75%的分类准确率,验证了所提模型的有效性和泛化性。