目前深度神经网络(DNN)被广泛应用于计算机视觉中的各个领域并取得了瞩目的成效,然而其仍面临着两个重要难题:(1)所需计算规模庞大难于向轻量级设备部署;(2)其端到端的预测模式很少需要人工介入,导致其模型解释能力弱,在重要领域(例如医学领域)难以被信任。本文提出一种新的演化神经网络算法对这两个问题进行研究,目标在于降低DNN模型运算需求,并提高其解释能力。针对第一个问题本文借助演化神经网络算法出色的随机搜索能力从已知网络结构出发逐渐将该结构进行大幅度网络压缩,并且仍能保持原有的分类性能。本文给出了一种动态剪枝的方法,在针对不同复杂程度的问题(数据)时可以有效地控制模型缩减的程度,避免网络出现性能急剧衰减的情况发生。此外本文使用演化神经网络算法对网络中的特征按照类别进行划分,目标在于将网络划分为各自独立的特征子网。这些特征子网未来可以被组合成类似决策树一样的具有较高解释性的模型。同时为了验证这些特征子网是否真正将原网中的特征按照类别进行划分,我们借助了特征可视化与图片激活度热度图等技术对其进行验证。我们在CIFAR-10与CIFAR-100这两个数据集上对以上两个问题进行验证。对于减小网络规模方面,我们最高将ResNet-110模型运算量缩减到原来的20.17%,参数量仅为原来的19.17%,而准确率仅下降了0.41%。对于第二个问题,我们通过特征可视化等方法从视觉上验证我们的方法确实将网络特征分开,并且通过测试其准确率还原程度可以发现,我们的方法将准确率变化控制在-1%~1%。