随着人们对人工智能的不断探索,卷积神经网络作为代表算法之一也得到了快速的发展。卷积神经网络通过对数据提取出更加高维、抽象的特征,归纳出数据的分布式特征表示,发掘出复杂的非线性关系。由于大数据时代计算量急速增长,卷积神经网络结构也更为复杂,因此计算任务的难度不断提升。本文针对这些难点,对卷积神经网络模型Alex Net进行了优化。本文首先介绍人工神经网络的基本原理与卷积神经网络的相关技术,分析卷积神经网络算法的发展前景与研究方向。然后介绍卷积神经网络模型Alex Net,并对其缺点进行了分析与总结,提出一种改进型网络模型。在预处理阶段采用双立方插值算法将图像统一为标准尺寸,然后对图像进行归一化操作,保持输入数据具有相似的分布。同时本文对结构进行优化,使用更加精细的卷积核提取特征,利用感受野对卷积层进行变形以降低参数量,放弃局部响应归一化操作与分组策略,采用批归一化的数据处理方法。通过采用改进后的激活函数对数据进行非线性变换,能够有效地提高网络模型的性能。其次本文对线性判别分析(Linear Discriminant Analysis,LDA)进行改进,提出一种新型评估指标来优化样本空间。通过与网络模型相结合,能够进一步提高收敛速度。最后基于深度学习框架Tensor Flow对网络模型进行训练与测试,通过分析网络模型性能的动态变化情况、误差率、训练时间、识别准确率等因素,实验结果证明,本文方法不仅能够有效地减少计算量与参数规模,还可以进一步提高网络模型的识别准确率。