卷积神经网具有强大的特征表达能力,在计算机视觉领域有着远超传统方法的效果,其应用设计和研究已经成为学术界和产业界热捧的对象。当前主流的卷积神经网络的特征融合方式线性、单一导致特征表达能力不足。针对该问题,本文首先提出一种基于非线性通道融合的一阶重排融合模块来提高特征表达能力;然后,针对该模块融合时单一通道辐射范围有限的问题,提出高阶重排融合模块;最后,针对多种重排融合模块与主流网络结构的组合方式难以穷尽的问题,应用可微分网络搜索方法来获得合适的组合方式。本文的主要工作包括:（1）提出一阶重排融合模块。主流卷积神经网络特征融合主要依靠加权相加的线性方式,而众多加强非线性的模块又存在忽略通道的融合、并行性差、参数量大等不足。针对以上问题,本文研究轻量化的非线性通道融合的辅加网络模块。将网络中间特征作为输入,先利用轻量卷积计算每个通道的浮点位移量,然后将产生浮点位移的通道分配到两个相邻整数通道,最后利用通道重叠实现融合。此模块输出的位移随输入数据动态变化,有很强的特征表达能力。实验表明此模块在图像分类的效果超越很多注意力模块。（2）提出高阶重排融合模块。一阶重排融合模块仅将一个产生浮点位移的通道分配到两个相邻整数通道,影响范围有限,其非线性融合能力仍有提升空间。本文进一步提出一种高阶重排融合模块,通过将一维的通道折叠成高阶张量来增加浮点位移通道的相邻点,实现更高程度的非线性融合。实验表明,高阶重排融合模块效果超越一阶重排融合模块。（3）提出多种重排融合模块组合的搜索算法。考虑到主干网络每个模块所要结合的重排融合模块可能不一样,本文进一步研究不同重排融合模块与神经网络结合时的组合方式。由于组合方式随网络层数呈指数增长,对于层数较深的网络,其组合方式无法遍历测试。针对该问题,本文将可微分网络搜索算法用于搜索主干网络每个模块所需的重排融合模块,成功搜索出合适的组合方式。实验表明,多种重排融合模块组合可以超越单一的高阶重排融合模块。本文提出的多种重排融合模块及其组合搜索算法能应用于主流卷积神经网络,提高网络分类性能。