卷积神经网络(Convolutional Neural Network,即CNN)是一种基于多层监督学习的人工神经网络,它改善了传统模式识别方法存在提取特征难的问题,它不仅具有传统神经网络的优点,较好的容错性、自适应性和自学习能力,并且还具有自动提取特征、权值共享的特点,因而被广泛应用于图像识别、物体检测与识别和目标跟踪等领域。卷积神经网络的应用过程中其网络结构优化是影响识别精度及效率的重要因素,研究CNN网络结构优化问题具有重要意义。论文对卷积神经网络的理论、特点、结构进行了深入研究,并分析了卷积神经网络中训练和测试的基本过程。对CNN识别过程中的网络结构层数及隐层特征图个数、卷积核大小、权值初始化、批量样本数和迭代次数等参数进行了深入研究,并给出了其取值方法。在基于CNN的识别过程中,隐层特征图个数对识别精度影响较大;上一层特征图存在与下一层特征图关联性较小的样本数据,影响系统的识别精度。灰色关联分析法(Grey Relational Analysis,即GRA)具有能够挖掘数据之间内在关联度的特点,本文在网络训练过程中引入GRA以自动选择对识别结果影响较大的隐藏层特征图从而优化网络结构。本文通过输入图像的大小确定卷积核大小和网络结构层数,并使用实验的方式确定批量样本数和迭代次数,同时引用灰色关联分析法确定隐层特征图个数,从而确定网络结构及相关参数,用已确定好结构的CNN完成对手写体数字识别和交通标志识别实验。实验结果表明使用灰色关联分析法确定后的隐层特征图个数符合实验方法确定的隐层特征图个数局部最优值,本文提出的方法能够自适应确定特征图个数,完成对CNN网络结构的优化。