神经元是神经网络的主要组成部分,其在神经网络中起着至关重要的作用。在目前的神经网络模型中,各个层级使用一致的神经元结构,也就意味着网络中的每个神经元都使用相同的特征提取和特征选择方式。然而每个神经元关注的特征不同,整个网络中使用相同结构的神经元,缺乏对不同数据和不同层级特征的适应性。为了提升神经元在面对不同特征的适应性,本文提出了一种新的神经元结构——双激活函数自适应神经元,通过神经元学习训练数据,改变单个神经元表达的函数,提升单个神经元的非线性能力,进而增强整个网络的拟合能力。本文的主要研究内容包括如下几点:（1）通过分析现有的神经元结构,在原始神经元的基础上,提出了一种新的神经元结构——双激活函数自适应神经元。先使用权重参数提取输入数据的特征,将提取出的特征输入到两条路径,分别使用ReLU和Sigmoid激活函数控制两条路径上的激活阈值,再利用两组权重参数融合两条路径选择的特征,作为神经元的输出。解决了神经元只能表达固定非线性函数的问题,提升了神经元的非线性能力,进而增强整个网络模型的拟合能力。（2）参考已经出现的神经网络模型,将双激活函数自适应神经元应用到经典神经网络模型中,完成相应的对比实验,记录训练过程。本文将双激活函数自适应神经元嵌入经典网络模型中,并进行对比实验。在图像识别和目标检测任务中获得较好的表现,在ResNet20和WRN-28-10中,与原始模型相比,双激活函数自适应神经元组成的神经网络在CIFAR-10和CIFAR-100上分别提高了 0.68%和 0.79%。（3）分析训练过程,以及训练完成的参数,验证双激活函数自适应神经元的有效性。双激活函数自适应神经元组成的网络在整个训练过程中,其训练损失始终低于原始网络。在训练初期,收敛速度明显快于原始网络,证明其确实提升了整个网络的拟合能力。训练完成时,神经元输出阶段的融合参数呈现一定规律,验证了双激活函数自适应神经元结构的有效性。