深度学习近年来发展迅猛,被广泛应用于解决计算机视觉、自然语言处理、图像分割等诸多问题。但是,随着研究的不断深入,神经网络变得越来越复杂,过度依赖人类手动设计已经不能满足人工智能发展的需要。因此如何实现深度学习过程的自动化成为一个重要研究课题。神经架构搜索（Neural Architecture Search,NAS）的发展降低了深度学习的门槛,在减少人力物力消耗的情况下通过算法自动设计出高性能的网络架构。尽管当前NAS算法的发展取得了较为显著的成果,但是搜索过程只实现了部分自动化。如何尽可能地减少计算开销,提高搜索精度,缩短搜索时间成为神经架构搜索一直以来的探索方向。基于此,本文针对CARS方法进行了改进,在CIFAR-10数据集上进行了实验并将改进后的算法应用到FLD4840数据集,主要研究内容如下:提出基于改进pNSGA-Ⅲ算法的连续进化神经架构搜索（A-CARS）。考虑到CARS在最后一个帕累托前沿的个体选择中,使用的是随机选择的方法,为了使更适合的个体进入下一代,提高搜索结果的准确率,本文在后代选择中引入了基于参考点的策略。生成参考点后将当前种群的个体与参考点建立映射关系,其中距离计算采用了基于惩罚的边界交集（Penalty-based Boundary Intersection,PBI）距离,目的是使个体更接近帕累托前沿。随后加入继承小生境思想的选择与消除操作,计算种群个体的小生境值,用选择操作选取最小生境值集合中PBI距离最小的个体,用消除操作淘汰最大生境值集合中PBI距离最大的个体。详细对比与分析了CARS和A-CARS的实验结果,数据表明A-CARS的准确率较CARS实现了提升。提出基于改进部分通道的连续进化神经架构搜索（P-CARS）。为了实现缩短搜索时间的目的,本文对搜索空间进行了改进,引入部分通道连接机制代替全部通道计算,从而可以在相同的计算条件下,通过扩大batch size来缩短搜索时间。此外,本文还提出了基于改进部分通道-噪声的连续进化神经架构搜索（PN-CARS）,用来改善DARTS搜索空间出现的跳跃连接富集现象。以P-CARS为基础,在两节点之间的跳跃连接操作中加入了无偏随机噪声,减少了性能损失,使搜索结果更加稳定。另一方面,将第三章提出的A-CARS与PN-CARS进行了结合提出APN-CARS。在相同实验环境以及数据集上进行了实验,通过结果对比证明APN-CARS的有效性。为了研究改进后算法在其他数据集的应用能力,本文选择将CARS与改进后的A-CARS、PN-CARS、APN-CARS方法应用到农作物图像数据集FLD4840,识别出图像中农作物的种类。首先对数据集进行了预处理以适应CARS对数据集的要求,然后在同一实验参数设置下进行实验并将运行结果进行详细分析,验证了本文改进后的算法有更强的应用能力。