随着人工智能相关理论的完善,人工智能在近年来发展迅猛。除了理论成果以外,人工智能的应用也在多个领域取得成就。我国的十四五发展规划指出要瞄准人工智能、量子信息、集成电路、生命健康、脑科学等前沿领域,实施一批具有前瞻性、战略性的国家重大科技项目。在这些前沿科技领域中,人工智能被列为了第一位。它的重要性不言而喻。发展人工智能是科技强国的必经之路。目前,深度学习是人工智能中最重要的算法之一。在深度学习的多种算法中,卷积神经网络（Convolution Neural Network,CNN）在许多实际应用中取得了巨大的成功。然而由于卷积神经网络结构复杂,网络训练过程耗时,寻找有效的卷积神经网络是一项具有挑战性的工作。卷积神经网络的性能取决于超参数的设置。为了有效地解决超参数设置问题,本文提出了一种分布式粒子群优化算法（Distributed Particle Swarm Optimization,DPSO）,通过优化超参数来寻找高性能的卷积神经网络。与繁琐的、基于历史经验的、基于个人偏好的人工配置相比,本文提出的DPSO能够自动地、全局地进化超参数,获得高质量的卷积神经网络,为寻找全局最优超参数组合提供了一种新的思路和方法。此外,通过与分布式计算技术相结合,分布式粒子群优化算法与传统的粒子群优化算法相比,具有相当大的加速比。在多个泛用的图像分类数据集上面的大量实验表明,本文提出的算法能有效地找到性能良好的CNN模型,同时与传统的PSO算法相比,大大减少了计算时间。为了进一步验证本文所提出的算法的性能,本文把算法用于优化残差神经网络,并同样取得了很好的效果。实验结果表明,本文提出的算法能快速地、有效地对多种卷积神经网络的超参数进行优化。