卷积神经网络在图像分类、视频分析、目标检测等领域都表现出了非常强大的能力,这主要得益于该神经网络模型优秀的提取特征能力。虽然卷积神经网络在多个领域都取得了非常不错的效果,但是这个深度学习模型的计算复杂度以及存储开销都成为了阻碍其发展的瓶颈。尤其是在一些嵌入式设备当中,这些设备计算能力有限,存储空间较小,但经常又需要运行卷积神经网络模型,这便成为一个现实的困难。本文基于Winograd短卷积快速算法,提出了针对三维卷积神经网络的Winograd算法。Winograd算法主要针对短卷积运算,并不适合大规模图像卷积。本文通过将图像分成一个个小块,在每个小块上进行Winograd算法,来实现针对三维图像的卷积操作。通过这种方法大大降低了三维卷积神经网络的计算复杂度。此外本文针对三维卷积神经网络的Winograd算法用GPU进行了实现,在我们给出的网络模型上进行评测,结果显示运行速度达到了cuDNN v5.0速度的1.4倍。另外本文将快速傅里叶方法实现卷积的技术与Spectralpooling降采样技术进行了有效结合。提出了一种计算复杂度低的神经网络层CS-layer,这个网络层的效果与一个卷积层后紧跟一个Spectralpooling层的效果相同。但是对比这两个独立的层来说,我们提出的这个组合层CS-layer减小了中间的冗余计算,具有更小的计算复杂度。通过实验测评,也验证了我们的思想。