神经网络架构模型对于深度学习任务的运算性能是至关重要的,传统人工设计网络架构不仅费时费力,而且设计思路多囿于前人,模型性能也很难得到保障。因此,近年来神经网络架构搜索成为了深度学习领域最为热门的研究方向之一。虽然自动化设计神经网络结构的方法层出不穷,但其中绝大多数仍需要大量的计算资源,无法被广泛使用。本课题通过分析总结现有神经网络架构搜索方法的长处和不足,基于神经网络架构搜索中的One-shot模型,提出了若干改进技术和方法,通过实验证明所提出方法的有效性和高效性,并针对图像分类任务获得了超过现有大多数神经网络架构搜索方法和人工设计所获得的模型架构。首先,本文针对传统One-shot模型的训练流程,分析总结不足,并提出了在超网络训练阶段的单路径训练方法,大幅度降低了超网络训练的资源需求。提出了针对复杂多分支搜索空间的有效编码方法,提升了网络采样选取效率。在网络结构搜索阶段,提出了利用网络结构编码实现的基于进化算法的网络结构搜索方法,提升了模型搜索性能。其次,针对超网络训练时由于搜索空间过大导致子网络模型选取过于宽泛,不具有针对性,本文设计并实现了搜索空间剪裁方法,利用超网络训练时产生的中间性能结果,对超网络节点进行屏蔽限制,从而达到搜索空间的裁剪目的。实验结果表明,通过在超网络训练期间对搜索空间进行裁剪,可以提升超网络的训练效果以及子网络模型搜索结果。最后,针对传统超网络训练方法普遍追求网络训练的均衡性从而忽视了前期已经训练过的优秀网络子模型的重要性和有效信息,本文中提出了基于缓冲池的神经网络架构搜索算法,该方法成功利用网络训练的中间信息,指导后续超网络的训练和模型搜索过程。并且此算法针对图像分类任务获得了极具竞争力的卷积神经网络模型。