近年来,深度学习开始在计算机视觉、自然语言处理等领域发挥着越来越重要的作用,同时卷积神经网络被认为在深度学习领域尤其是计算机视觉中是最经典和强大的网络之一,目前流行的卷积神经网络模型主要有ResNet、DenseNet、AlexNet、VGG等,但是在图像识别领域,要想设计一个符合图像特性的网络模型需要大量的尝试,其中不仅仅包括模型的调参、同时也包括网络模型的设计。目前的网络多为规则或者随机的网络形态,但是随着科技的发展,人们发现在不同的领域例如:技术、交通、社会关系等网络中并非是简单的规则或随机网络,特别是在人脑的内在结构和功能联结模式上。这些网络存在与规则网络类似的高聚集系数和与随机网络类似的较短平均路径长度属性。小世界网络作为具有较短平均路径长度以及较大聚集系数的典型复杂网络模型近年来被广泛研究讨论。由此我们推测单纯依靠网络规则的层级传输可能导致人工神经网络与生物学神经网络在结构上偏离更远,不能反映真实的大脑神经网络的结构特征。本文首先对传统的神经网络进行了删边的稀疏连接操作,评估优化后的网络的结构特性是否具有小世界的特性。为接下来的设计实现提供理论基础。之后我们从类脑的小世界网络拓扑结构出发,对神经网络的结构进行改进,提出并设计了具有小世界特性的神经网络模型,此模型摒弃传统的网络分层结构,根据不同参数随机生成无分层结构的小世界网络拓扑作为网络训练模型,同时为了分析小世界特征图的不同属性对网络性能的影响,本文在CIFAR-10训练集上,分别设计了多组实验进行网络性能分析验证。通过对比不同参数配置下的小世界神经网络,验证了上述改进的必要性。训练结果表明,本论文的改进模型比如今的传统卷积神经网络收敛速度更快,逼近精度更高,拓扑结构的稳定性也更强。