卷积神经网络（Convolutional Neural Network,CNN）是深度学习算法中最具代表性的模型之一,但是CNN的设计过程十分的耗时耗力,针对这一问题,研究人员提出深层神经网络架构搜索（Neural Architecture Search,NAS）,即CNN的设计与训练过程自动化。由于资源消耗相对较少,搜索性能高等优势,演化计算成为了NAS领域重要的搜索框架之一。目前基于各种演化计算的框架被提出,本文在这些理论方法基础之上,分析当前演化计算框架的优点及不足,探索高效的演化计算方法,从而获得训练时间更短,参数量更少同时更能适应复杂数据集的CNN模型架构。因此,本文的主要工作概括如下:（1）提出基于置信度的新型注意力机制网络。目前大部分注意力机制没有充分模拟人类视觉系统,即通过差异对物体进行甄别。针对该问题,本文提出一种基于局部与全局感受野之间差异性的新型注意力机制网络。该网络提取局部与全局上下文信息,并使用两者之间的差异性对输入进行矫正。实验表明基于置信度的注意力机制使用更少的参数就能获得更高的性能收益。（2）提出基于遗传算法的注意力网络架构搜索方法。针对传统注意力机制手工设计局部感受野尺寸耗时且性能不理想等问题,本文提出基于遗传算法的注意力感受野设计方法。该方法将整个网络的感受野尺寸编码成个体和种群,模拟种群进化,进行交叉和变异操作,形成最优的感受野组合。实验表明,基于遗传算法的注意力机制网络架构搜索方法搜索出的感受野尺寸组合更适合网络模型。（3）提出基于遗传算法的神经网络架构搜索的睡眠分期分类方法。针对传统睡眠分期分类的机器学习方法存在可扩展性差与设计训练过程耗时等问题,本文提出一种针对睡眠数据的加入可训练核系数CNN模型;同时,提出一种基于遗传算法的高效深层卷积神经网络架构搜索算法搜索出这种高效的CNN架构。本文首先在每个卷积核上绑定一个可训练的系数,然后使用基于遗传算法的深层卷积神经网络搜索框架生成这种高效的CNN结构。实验表明,该方法可以大幅提升睡眠信号处理的性能与睡眠分期分类的精度,同时减少了网络设计的时间消耗。