胶囊网络（CapsuleNetwork,CapsNet）是一种能够高效表达图像语义的逆渲染神经网络模型。其中,动态路由算法作为CapsNet的核心,能够有效地替代卷积神经网络（Convolutional NeuralNetworks,CNNs）中的池化层,避免特征信息的缺失,使得模型具有学习图像内在空间位置关系的能力。虽然,CapsNet打破了CNNs的传统架构,提升了分类准确度,但仍存在诸多缺陷:（1）对复杂图像的特征提取能力不足;（2）模型的参数量较大,导致训练时间较长,训练效率低下;（3）动态路由算法中的压缩函数抑制了部分高概率特征信息的活性,导致模型学习能力受限;（4）全连接重构器无法针对复杂样本进行高效重构,导致模型训练抖动,无法快速收敛到较高准确度。对此,本文提出了多分支RA（Resnet Attention）胶囊网络,并以其架构及思维衍变出两种优化模型。首先,探讨多分支RA胶囊网络。作为一种轻量级的多分支网络模型,其主要由RA模块、hc-squash函数和平行分支结构组成。其中,RA模块用于实现特征区域的重标定和关键特征信息的完整传输。Hc-squash函数是一种融合在主胶囊层和动态路由算法中的压缩函数,用于激活更多高概率胶囊和避免重要特征信息的丢失。平行分支结构则是一种双分支模式,用于深化模型和实现参数轻量化。通过在四个国际公开基准数据集MNIST、Fashion MNIST、CIFAR10和SVHN中的实验结果表明,多分支RA胶囊网络的分类性能较CapsNet和MLCN有所提升,从而证实了多分支RA胶囊网络在图像分类任务中的研究可行性,为之后的模型强化奠定了研究基础。其次,设计多分支RA混合胶囊网络。作为多分支RA胶囊网络的第一种优化模型,其构造了注意力矢量胶囊层和混合压缩函数。在注意力矢量胶囊层中,主要利用通道注意力机制SENet来增强模型对复杂样本中的关键特征再提取。混合压缩算法则是通过PA（Powered-Activation）压缩函数和hc-squash函数的组合优化来实现特征信息的筛选,降低无用特征信息对模型训练的干扰,从而实现分类精确度的提升。为了验证模型的有效性,本文通过对比实验和可视化技术细致展示了多分支RA混合胶囊网络与多种CapsNet优化模型的性能差异,进而突显了所提模型的性能优势。最后,提出特征级RA胶囊生成网络。作为多分支RA胶囊网络的第二种优化模型,其不仅融合了CapsNet的路由机制,还改进了基础架构。由于前两种模型缺乏对多尺度特征信息的提取和对图像重构解码器的利用,因此,本文在特征级RA胶囊生成网络中设计了特征级RA模块和MKF（Multi-scale Key Features）解码器。其中,特征级RA提取模块是由HC（Hybrid Convolutions）特征提取层和DA（Dual Attention）增强层构成,二者分别用于融合图像的多尺度特征和增强模型对不同特征区域的划分。MKF解码器则是由全连接层、上采样层和多尺度卷积层组成,其能够高效重构关键特征区域,促进模型迭代优化,避免复杂样本影响模型训练的稳定性。通过与前两种模型的对比实验以及可视化结果表明,特征级RA胶囊生成网络具有更强的泛化能力,特别是在CIFAR10数据集中,分类性能实现了大幅提升。