平移变换是一种在卷积神经网络训练过程当中广泛使用的数据增强方法。本文用数学方法分析了平移变换的物理含义,发现了平移变换的方法会使卷积神经网络在训练过程当中关注于训练图片中心区域的特征,从而使得卷积神经网络的感受野变得不均匀。如果用厚度表示感受野各区域被关注的程度,则平移变换使卷积神经网络在训练过程当中的感受野呈现出中间高、四周低的“金字塔”型分布。人类的视网膜的感受野各区域的分辨率是不相同的:中心的中央黄斑区提供了整个视网膜最高的分辨率,而其它区域的分辨率显著地低于中央黄斑区。本文对普遍意义上的图像各区域所包含的特征的关键性进行了分析,并提出了如下假设:相比于边缘区域,图像的中心区域更有可能包含关键性的特征。本文通过较为完备的实验验证了这个假设。以这个假设为基础,通过运用平移变换的方法,本文设计了一种新的针对卷积神经网络图像分类器的感受野集成训练方法。这种训练方法将整个训练过程划分为若干阶段,每个阶段对应于不同的感受野和学习率。具体地说,在训练的开始阶段,卷积神经网络关注于图像最中心区域的特征,此时学习率最高;随着训练的进行,卷积神经网络关注的区域由中心向其它区域扩散,此时学习率逐渐降低。本文用这样的方法使得卷积神经网络在训练过程中既关注图像中心区域的特征,又照顾到边缘区域的特征。由于这种方法在训练过程中按时间顺序集成了多个感受野,因此本文将其称为感受野的集成。本文使用两种不同类型的深度卷积神经网络、在两种不同的图像分类基准数据集上进行了实验,结果表明:在训练中的迭代次数相同的前提下,感受野集成的训练方法产生了比单一感受野的训练方法更高的测试正确率。与近年来一般的深度学习图像分类器的改进不同的是,本文提出的方法从原理到具体的步骤都是可解释的。这不仅为卷积神经网络提供了一种新的训练方法,还有可能为可解释神经网络的研究提供一些启示。