卷积神经网络是一类由卷积计算构成的深层神经网络,具有优秀的图像特征提取能力。由于网络的性能差异主要体现在网络的参数训练与结构设计上,因此优化网络参数与网络结构可以有效地改进卷积神经网络。本文主要研究卷积神经网络的参数优化与结构优化两个方面:在参数优化方面,本文提出基于图像特征的网络参数优化方法。此方法使用多组图像特征初始化卷积核,通过调整卷积核初始值优化卷积核参数并加速网络收敛。在结构优化方面,本文提出基于均值迭代阈值分割法的卷积神经网络。此网络的结构由数据先验知识确定,因此网络具有更少的冗余参数与更小的数据依赖程度。本文的具体工作如下:1.本文针对当前卷积核初始化方法易造成网络收敛速度慢的问题,提出基于图像特征的卷积核初始化方法。该方法结合模糊处理技术和边缘处理技术采样图像,使用主成分分析提取特征块并使用特征块初始化卷积核。此方法既解决主成分分析对网络结构的限制,也增强网络的特征提取能力。本文将此方法应用于Cifar-10数据集和Corel-1000数据集,并与Gaussian初始化方法和He初始化方法进行对比测试,得出此方法的实验效果优于其他卷积核初始化方法。2.本文针对卷积神经网络对数据依赖程度大的问题,提出基于均值迭代阈值分割法的卷积神经网络。本文使用均值迭代阈值分割法过滤图像背景,再基于Alex Net设计网络结构以达到缩减网络冗余参数与减小网络数据依赖程度的目的。本文将此网络应用于小规模数据集,与Alex Net和VGGNet对比。实验结果表明,在样本数量较少的图像识别任务中,此网络识别性能理想且实验效果优于其他常用卷积神经网络。