作为人工智能领域的基础,图像分类技术有着极其重要的作用。随着智能设备的应用,对图像分类技术的要求越来越高。传统的图像分类算法大部分需要人工设计特征和分类器,具有一定的局限性,并且会受到光照、背景、尺度、角度等因素的影响。近几年,随着深度卷积神经网络的快速发展,基于卷积神经网络的图像分类技术取得突破性进展,其分类性能远远超过传统的图像分类算法,并且在工业界被广泛应用,也吸引了越来越多的研究人员投入到相关研究中来。现在的卷积神经网络朝着层数多、宽度大的方向发展,但这样往往带来大量的参数,加大训练难度。基于简化卷积的神经网络虽然能够减少网络参数,但是会在卷积过程中丢失部分信息,影响网络性能。为了解决这个问题,本文提出了一种二分支卷积单元,该卷积单元包含两种不同类型的滤波器,一种用于提取包含特征通道内信息的特征,一种用于提取包含特征通道间信息的特征。为了验证二分支卷积单元的有效性,用此卷积单元代替传统滤波器,结合池化、激活等操作,构建了一个级联二分支网络。在CIFAR数据库上进行了验证实验,实验结果证明,二分支卷积单元能够有效提取包含不同信息的特征,增加特征的多样性,减少信息损失,同时使得网络在保持较少参数的情况下,提升网络性能。传统的激活函数ReLU把小于零的部分置零,大于零的部分保留,这样能加快网络训练的收敛速度。为了更充分利用大于零的部分,提出了一种self-ReLU,在0到1之间乘以一定的比例,使得不同的特征值产生不同的影响。将此激活函数用于NIN网络结构,在CIFAR数据库上验证了此算法,实验结果证明了此算法的有效性。