当今世界正在见证一场跨越所有行业的全球人工智能革命,而这场人工智能革命的驱动因素之一是深度学习。现代深度学习开始于2012年,Hinton的学生Alex Krizhevsky设计开发的深度卷积神经网络在Image Net大规模视觉识别竞赛（ILSVRC）上取得了巨大的成功,从而引发了深度网络的研究热潮。深度网络之所以能够推动计算机视觉和人工智能的高速发展,主要在于深度网络的自主学习机制。深度网络的自主学习机制主要依赖于深度卷积神经网络的深层网络结构和大量的带有标签的训练数据,深度网络在这个过程中不断地拟合输入数据和输出信息,更新深度网络的权重参数,提升深度网络的特征图的泛化能力,换句话说,深度网络的特征图决定了深度模型的性能。和传统的人工设计的特征图相比,深度网络的主要贡献在于允许卷积神经网络自主地学习多层次多维度的特征图。本文将重点研究深度网络的重要超参数学习率如何影响特征图的学习,基于特征图的深度网络的训练方法,深度网络的特征图的选择对于目标跟踪算法的影响,和使用目标检测网络的特征图完成医学影像中感兴趣目标的语义分割任务。本文研究贡献具体如下:第一,本文提出了基于学习率优化的特征图学习算法,在训练过程中,通过随机放大全局学习率不断地提升深度网络的特征图的泛化能力,从而提升深度网络在各种计算机视觉任务上的性能。基于主流数据集的实验表明,传统的单调递减方式的学习率调整策略可能会导致深度网络的权重参数长时间陷入局部最小值和鞍点,而在合理的区间内随机放大学习率可以允许深度网络探索更大的隐藏参数空间,使得深度网络的权重参数尽快地脱离局部最小值和鞍点,达到进一步增强深度网络的特征图的泛化能力的目的,从而不断地挖掘深度网络的潜力,使深度网络的性能更接近于最优性能。随机放大学习率基本不会增加深度网络训练过程中所需要的运算资源,是一种更优的学习率调整策略。第二,本文提出了基于特征图的深度网络的训练策略,在训练过程中,使用深度网络的深层局部特征图不断地优化深度网络的浅层特征图,增强深度网络的自我学习能力。实验表明,深度网络的特征图的不同部分包含着不同的语义信息,而在深度网络的前馈传播过程中不可避免地会丢失大量的语义信息。为了加强深度网络的局部特征图的学习能力,本文将一个完整的特征图划分为两个独立互补的局部特征图,这两个局部特征图将同时参与到深度网络的反向传播过程中,使深度网络在每个训练迭代中可以捕获不同的局部特征图带来的梯度信息,完成深度网络的权重参数的更新。该策略是一种即插即用的无参数训练策略,可以有效地提升深度网络在各种计算机视觉任务上的性能。第三,本文提出了特征图的自适应选择算法,根据感兴趣目标的信息将深度网络的特征图划分为正向特征图和非正向特征图,使用正向特征图更新相关滤波模板,提升跟踪算法的鲁棒性。实验表明,在跟踪指定目标的时候,并不是所有的特征图都在有效地辅助跟踪系统对于该目标的跟踪任务。特征图的自适应选择算法允许跟踪系统为不同的感兴趣目标选择合适的特征图组合,相当于为每个感兴趣目标构建了一个独属于自己的跟踪系统,增强了感兴趣目标的表征能力。特征图的自适应选择算法可以与基于相关滤波器的跟踪系统相结合,在提升跟踪系统的跟踪精度的情况下同时保持了跟踪系统高效的计算能力。第四,本文提出了基于目标检测的医学影像分割算法,通过合理地利用目标检测网络的特征图,完成对医学影像中感兴趣目标的语义分割任务。首先,使用训练好的目标检测网络对医学影像中的感兴趣目标进行定位,其次,使用孪生网络根据感兴趣目标的关键像素块与整个图像进行特征匹配,计算图像上每个像素点被分类为感兴趣目标的概率,最后,根据预先设定好的概率阈值对医学影像进行语义分割。实验表明,该算法可以在只使用目标检测标签的情况下,完成对医学影像的像素级分类任务。