卷积神经网络(Convolutional Neural Network,CNN)是深度学习领域重要的模型之一,近些年来被广泛应用在图像视频处理等场景中。在图像识别任务中,CNN对图像特征的不变性和良好的特征提取能力,使其不需要经过繁琐的预处理就能取得较好的识别效果。而模型识别精度主要是由其结构和参数的共同作用,因此对卷积神经网络结构和参数优化方法的研究具有重要的意义。本文对卷积神经网络的基本原理结构、还存在的问题以及国内外改进方法和成果进行了分析与总结。一方面,典型的CNN在卷积层输入与输出特征通道之间存在很多冗余的连接,不仅不利于卷积层的特征提取,还会增加模型复杂度。而现有的改进方法需要根据经验设计,并不具有普适性;另一方面,反向传播算法由于诸多超参数需要设置,导致模型参数训练不彻底。因此开展了以下工作:1.提出了一种基于自适应遗传算法优化CNN特征通道连接结构的方法。首先预训练CNN并保存预训练参数,然后使用自适应遗传算法对预训练CNN卷积层的特征通道连接结构进行优化,最后使用反向传播算法微调最优连接结构的CNN参数,使参数适应新的连接结构。将优化后的CNN用于Fashion-MNIST数据集和CIFAR-10数据集的图像识别,实验结果表明,通过该方法搜索到的最优连接结构能显著提高CNN的图像识别效果,加快模型的训练速度。2.提出了一种基于差分进化算法的CNN参数优化方法,在反向传播算法训练CNN参数之后,利用差分进化算法在此基础上使模型参数进一步逼近最优解,使模型参数的学习更彻底,取得比单独使用反向传播算法时更好的识别效果。将该方法应用在基于HCL2000自采集的手写汉字数据集上,实验表明该方法在使用不同反向传播优化器时都是有效的。实验分别在简单字,复杂字和相似字不同组别上最高达到了98.2%,99.6%和97.2%的识别准确率。