对于卷积神经网络(Convolutional Nueral Network,CNN),本文提出了一种理论解释,并进行了两项应用方面的研究。在理论方面,提出将“深度学习的解释性”转化为“逼近基函数对人类的友好性”,并提出一种变换逼近模式,以这样的观点对CNN的原理进行解释。在传统的逼近方法中加入人为设计的数据点变换,可以将逼近问题化繁为简、化难为易,化不适用为适用。而CNN作为传统的全连接神经网络的变体,实质上引入了许多人为设计的数据点变换,例如卷积、池化,以及在某些相关框架中提出的ROI Pooling、区域建议等策略。第一个应用方面的研究是提出了一种根据类别特点设置损失参数的SSD模型。SSD(Single Shot MultiBox Detector,单次多框检测器)模型是一种基于卷积神经网络的多类别检测框架,其损失函数由分类误差和回归误差加权求和形成。在现有的SSD模型当中,这个权重对于不同物体类别来说都具有相同的值。然而,不同的物体类别可能差异很大。因此,提出根据不同种类物体设置不同的误差权值,并提出一种评分置权法用于设置这些权值。最后在数据集上进行实验对比研究,结果表明改进以后的模型性能稍有提高。第二个应用方面的研究是基于Faster R-CNN的辅助驾驶相关检测。将经典的深度学习目标检测框架Faster R-CNN应用于与辅助驾驶相关的检测任务,包括行人检测、车辆检测、交通灯检测和交通标志检测。收集了相关数据集,并进行训练和测试。结果表明,使用Faster R-CNN能够较好地完成这些检测任务,能比较准确地检测到目标物体,在实际场景中也能够实现比较好的应用效果。图23幅;表4个;参90篇。