在高维空间中,深度神经网络中常用的优化算法容易陷入鞍点,不易收敛到最小值。随机梯度下降算法作为深度神经网络中广泛使用的优化算法之一,能够通过注入随机扰动有效改善深度神经网络的性能。由于从批量输入样本上提取的梯度可信度不同,需要对随机梯度下降中的随机扰动进行优化分配。因此,本论文提出一个基于信息传输最大化准则的随机梯度下降批量优化方法。首先,本论文从动力学系统角度分析深度神经网络中的随机梯度下降方法,建立网络参数与随机信号之间的郎之万方程,求解该方程得到基于福克-普朗克方程的随机梯度下降的描述与优化,建立注入随机信号功率调节与算法逃离鞍点之间的关系。然后,基于信息传输最大化准则均衡各类样本对随机梯度下降的扰动,实现随机扰动的优化分配,利用注水分配方法分配随机信号功率,提高对功率低的样本的关注度,降低对功率高的样本的关注度,从而改善网络的优化性能。最后,为了验证本论文方法的有效性,在三个深度神经网络上进行实验。实验结果显示,本论文方法能够有效提升分类效果。