深度学习在计算机视觉领域中有着极其优异的表现。近年来,基于深度卷积神经网络的图像分类算法在优化网络结构、防止过拟合、加快训练速度等方面做了许多改进。本文首先提出利用主动学习和深度学习相结合的方式进行训练样本集优化,然后利用联合损失函数监督训练提高卷积神经网络在图像分类应用中性能,并且将改进的联合损失监督算法应用于人脸识别,最后将联合损失监督方式扩展到图像超分辨率。训练卷积神经网络往往需要海量已标注的样本数据,然而并不是样本越多训练效果越好。本文引入主动学习进行样本集优化,筛选出更有训练价值的样本。本文对经典的后验概率取样算法做了改进,提出基于熵值排序的主动学习算法,实验证明主动学习算法,尤其是本文改进的算法能够筛选出更有训练价值的样本,进而提高网络性能。对于图像分类任务,本文认为如果图像特征在特征空间中同类之间更加聚合而异类之间更加分散,那么分类效果会更好。因此,本文提出用均方误差和交叉熵损失函数同时监督训练,优化均方误差损失可以使同类样本特征聚合,优化交叉熵损失可以使异类样本特征分散。为此,本文还提出一种简单有效的样本组织方式用于训练。对于人脸识别任务,余弦距离度量比欧氏距离更加方便有效。本文将上述联合损失函数中的均方误差损失替换为余弦距离损失,并提出一种简便的余弦距离损失反向传导方式。已有的基于卷积神经网络的图像超分辨算法在训练过程中往往只优化重建图像和高清标签图像在像素层次的均方误差。本文在此基础上加入联合损失监督方式,将图像超分辨率网络与图像分类网络进行级联,通过优化重建图像和高清标签图像的高层特征之间的均方误差,使超分辨率网络能够获取更多的图像高频细节信息。实验证明本文的算法能够重建出更好的主观效果和客观质量。