近年来,神经网络在越来越多的领域中投入使用,在一些人工智能领域的场景下(例如图像分类,语音识别)已经产生了非常好的结果。随着神经网络的应用越来越广泛,对神经网络相关的性能及准确性要求也越来越高,特别是在一些安全攸关系统(例如自动驾驶、飞行器防碰撞系统)中,这些系统中特殊的场景需求对神经网络的可靠性和准确性提出了更大的挑战。尽管神经网络在许多场景下都有令人印象深刻的表现,但遗憾的是,由于种种原因它们在一些边界情况下经常表现出意外或不正确的行为。在安全攸关系统中,这种不正确的行为可能导致灾难性的后果,这也限制了神经网络在一些安全攸关领域的进一步发展及应用。不同于基于神经网络模型的优化方法,我们跳出神经网络复杂的内部结构,站在软件工程师的角度,把神经网络仅当作一段具有一定功能的、可执行的代码,关注训练集数据在代码执行过程中所经过的路径,从一个崭新的视角发现深度神经网络准确性与训练集上代码执行路径的关系。对于使用特定激活函数的神经网络模型,我们定义了路径覆盖率和覆盖强度,旨在通过实验找到深度神经网络准确率与路径覆盖率和覆盖强度之间的关系,然后找到一个由执行路径指导产生输入用例的方法,根据产生的输入用例构造符合一定路径覆盖率和覆盖强度要求的训练集,利用此优化的训练集在一定程度上提高深度神经网络的准确率。通过验证实验我们发现,深度神经网络准确率与路径覆盖率和覆盖强度都存在正相关关系,即路径覆盖率越高、覆盖强度越大的训练集,通过其训练得到的网络在相同测试集上的表现会更好。同时,我们给出一种由执行路径指导产生输入用例的方法,然后实现该方法并产生出大量有效的输入用例,最终通过构造高路径覆盖率、高覆盖强度的训练集来提升深度神经网络的准确率。