深度学习(deep learning)这一概念起源于对经典人工神经网络的研究,是机器学习中一种基于对数据进行表征学习的方法,并且积极地推动了人工智能的发展。深度学习旨在发现数据的分布式特征表示,它通过组合底层特征来形成更抽象的高层特征,其动机在于模拟人脑进行分析学习的神经网络并解释数据。卷积神经网络(Convolutional Neural Networks,CNN)是深度学习的代表算法之一,它包含丰富的卷积计算并且是一类具有深度结构的前馈神经网络。在卷积神经网络中,通常需要用到一个函数来实现对输入特征进行非线性映射的作用,把这个具有重要作用的函数统称为激活函数。本文基于Tensorflow学习框架对神经网络激活函数及深度学习进行研究与讨论。目前双曲正切函数Tanh和Sigmoid函数是神经网络模型中常用激活函数,在零点附近区域函数值增长较快,而远离零点处函数值增长较慢,这样的函数形式符合神经细胞接受刺激时的激活和抑制状态,在早期研究中应用较多。然而当输入非常大或者非常小时,神经元的梯度就接近于零,在应用误差反向传播算法时权值无法很好地更新,这也是早期神经网络无法深度化的原因之一。因此,本文提出新的激活函数,旨在深度学习网络的收敛性上有所提升。本文在已有激活函数的基础上构造一个含有参数的光滑激活函数用于深度学习神经网络,并实现参数的自适应调整,针对不同的数据集和网络结构,基于反向误差传播算法建立参数的在线修正公式,使其具有普适性。并与一些常用的激活函数如ReLU、Leaky_ReLU,Sigmoid等进行对比实验可以得出,本文提出的新型激活函数在不同数据集上对图像处理的准确率上有明显的提升,并解决了在训练过程中产生的梯度弥散,不光滑,过拟合等问题。为验证本文提出新函数的普适应,在多个数据集以及其他深度卷积神经网络上均进行数值实验,与其他多种激活函数相比,收敛精度有明显提升。