作为计算机视觉领域的关键支撑技术,卷积神经网络（Convolutional neural networks,CNNs）持续取得创新与突破。网络结构对CNN的性能至关重要,因此研究者们不断提出新的网络结构以提升其性能,在许多公开数据集上的测试精度也被不断刷新并逐渐接近饱和。此外,鲁棒性作为评估模型可靠性和稳定性的关键指标,在CNN的实际应用中具有重要意义,因此CNN的鲁棒性问题也在学术界和工业界引起广泛关注。本文主要对CNN的网络结构进行优化和改进,以提高模型的泛化性与鲁棒性,涉及的具体研究内容列举如下:（1）以随机图模型为基础,将深度优先遍历算法与网络的构建相结合,探索了一种新的网络构建模式。基于该模式,提出了深度优先神经网络（Depth-first neural network,DFNN）。具体而言,首先使用随机图模型生成随机图,在随机图上进行深度优先遍历。遍历过程中经过的边与节点构成DFNN的主干,其余的边作为跨层连接用于传递历史特征。随机图中的节点执行具体的卷积操作。由此,随机图被转换为CNN中的阶段（stage）,多个阶段相互连接即构成了DFNN。此网络结构保留了随机图模型的特征,构建过程避免了人为设计网络的繁杂过程,跨层连接上的可训练权重也可以使模型自适应不同的图像分类任务。在CIFAR,SVHN数据集上的分类任务中,相较于一些经典的CNN模型,DFNN取得了更高的测试准确率。此外,在含有噪声的数据集上的实验结果表明DFNN相较于以层次结构设计的网络有更好的鲁棒性。（2）锐度感知最小化（Sharpness-aware minimization,SAM）优化器通过寻找平坦极值,在提升模型泛化性方面取得了显著成效。本文尝试将SAM优化器在反向传播中对参数的优化过程引用至前向传播当中,提出了一种新的CNN模型,称之为SAMNet。通过数学证明以及数值仿真实验,证明了相较于残差网络（Residual network,ResNet）,SAMNet的鲁棒性更优。在CIFAR与SVHN数据集上,分别采用为测试集添加噪声与对抗训练的方式对SAMNet的性能进行评估。实验数据表明,在模型参数量相近的情况下,SAMNet有更好的鲁棒性。（3）随机梯度下降（Stochastic gradient descent,SGD）算法在训练过程中通过逐渐减小学习率,使模型在训练后期更加平稳地收敛。本文受随机梯度下降算法中学习率衰减策略的启发,提出了步长动态调整策略。并基于ResNet的显式欧拉诠释,将步长动态调整策略应用至对ResNet的优化。本文理论证明了小的步长对提升ResNet鲁棒性有积极影响,并采用基于不同学习率衰减策略的步长动态调整策略,对ResNet中的步长进行优化。实验结果表明,步长动态调整策略显著提升了ResNet的泛化性、鲁棒性以及训练鲁棒性。