卷积神经网络是深度学习网络的基本模型之一,在包括计算机视觉、自然语言理解等人工智能领域有着广泛的应用。卷积神经网络是一类含有卷积计算并且具有深层网络结构的前馈神经网络,主要结构为输入层、隐含层和输出层。卷积神经网络模型主要工作是在隐含层进行的,包括卷积层、池化层和全连接层。训练数据输入卷积神经网络之后,通过卷积层实现对图像特征信息的提取,随着层数的加深,网络模型所提取的特征从低级到高级。在这一过程中,池化层起到了重要的作用。通过对特征图进行向下采样,池化层对数据降维,可以加速模型的训练速度,同时还能够起到一定的抑制模型过拟合的作用。现今卷积神经网络中常用的池化方法有最大池化和平均池化,这两种都是基于邻域的采样方法,实际应用中不可避免会造成池化后特征信息的丢失。目前针对池化层的研究工作中,有些是将最大池化和平均池化两种方法结合起来进行池化操作,例如Lp池化和随机池化。还有一些池化方法是针对一些特定问题,例如空间金字塔池化是为了解决模型输入图像尺寸大小不一致的问题,全局池化则是在模型的最后将特征图输出为一个数值。本文主要工作是使用小波变换的技术来实现卷积神经网络的池化过程,并进行相关的实验和分析,具体的内容包括以下部分:首先,本文直接使用一阶二维离散小波变换对特征图像进行下采样,用原图像的低通滤波得到的近似信息作为池化后的输出结果,并与使用二阶小波变换后再进行小波逆变换实现小波池化的方法进行实验结果的对比分析。此外,使用了不同种类的小波和不同消失矩的小波来实现池化层,然后通过实验对比这些不同小波构造的池化层在模型中的池化效果。最后还针对小波池化的计算过程进行了一些优化工作。其次,和常用的2×2池化层相比,池化核较大的池化层中池化幅度变大的同时对于特征信息的保留能力也会削弱。本文使用小波变换方法实现4×4的池化操作,并和使用最大池化和平均池化的4×4池化层进行对比,实验结果显示小波变换在池化核较大的池化层中的池化效果相对其他池化方法具有优越性。最后,针对使用了4×4池化层的一种基于U-Net简化改造的卷积神经网络,CU-Net网络,本文将小波池化应用到CU-Net模型中实现图像分割,实验结果验证了4×4小波池化在具体应用层面的可行性。因此,小波池化不仅在2×2池化层中表现出良好的池化能力,使用不同大小的池化核同样可以得到较好的效果。