卷积神经网络是目前人工智能领域研究的重点和热点,关于它的研究主要集中在如何实现诸如分类、检测等任务的良好性能。相比之下,卷积神经网络中神经元的语义排列方式在很大程度上被当前研究忽视,因为它不能明显提升这些任务的精度。受到视觉皮层神经元的柱状组织和心理学中语义网络模型的启发,本文基于图像识别任务,将神经元之间的语义排列方式融入到卷积神经网络中。简单来说,在卷积神经网络中,对语义相关或相近的输入响应强烈的神经元在网络空间中的分布位置也应该相近。在实际应用中,这种语义排列方式能够节省概念存储空间和加快概念检索速度。为了实现卷积神经网络中神经元的语义排列,本文提出了基于自组织映射算法和正则化的两种不同方法。需要指出的是,本文是深度学习领域首次研究神经元之间的语义排列。具体工作如下:第一,对于图像识别任务,网络输出层的神经元与数据集类别一一对应,但是,人工标注并没有给出类别间语义相似的信息,自然无法衡量神经元之间语义排列的程度。因此,本文提出将卷积层和全连接层中相邻核之间权值分布的相似程度,作为衡量卷积神经网络中神经元之间语义排列的指标。为了让相邻核具有相似的权值分布,本文首先提出基于正则化的方法,在交叉熵损失的基础上增加正则化项,实现卷积神经网络的语义排列特性。第二,本文注意到无监督的自组织映射算法能保证目标空间中相邻的神经元具有类似的权向量。因此,在第二种方法中,本文提出基于自组织映射的方法,使卷积神经网络中相邻的核具有相似的权值分布。然而,传统的自组织映射算法是被用于两层的全连接神经网络,所以在卷积神经网络中使用自组织映射算法就必须要做出相应修改,最大的修改是与卷积操作相关。第三,由于目前的研究缺乏对卷积神经网络中神经元之间语义排列的评价标准,因此,本文提出三种不同标准来评价具有该语义排列特性的卷积神经网络:1)计算相邻核的权值分布的相似程度;2)计算网络输出层中类别之间的语义距离,并与WordNet网络中类别之间的语义距离作比较;3)测量网络通过激活扩散方式的预测速度。本文的实验结果表明,通过与传统的卷积神经网络比较发现,采用本文方法得到的卷积神经网络具有更好的语义排列特性,卷积层和全连接层内相邻的核具有相似的权值分布,输出层的类别分布更接近WordNet中类别的语义分布。