近年来深度学习技术的研究引起了学术界和工业界的广泛关注,推动了人工智能的快速发展。卷积神经网络作为深度学习研究领域的一个重要分支,因其具有局部感受野、权值共享和下采样的三个特征,在模式识别和图像处理领域取得了突破性的研究进展。然而,无论是在优化网络结构还是处理海量数据集方面,仍然存在很大的研究空间。论文的主要研究内容和创新工作如下:(1)为了提高卷积神经网络对特征提取的精确程度,改善模型对旋转、平移和缩放三种变换的鲁棒性,本文提出了一种自适应加权池化算法。该算法联合最大池化和平均池化的优点,同时将自适应加权掩模融入到汇集操作中,这些掩模可以指示卷积神经网络用于识别图像的重要特征。实验证明,自适应加权池化算法适用于各种图片数据库和网络结构,可以显著的提高网络的分类效果。(2)针对现有激活函数存在的梯度消失问题及负区间神经元坏死现象,本文分析了产生这些现象的原因,提出了一种参数可调节的激活函数Fexp,这种激活函数能够通过适当调整参数,自由缩放梯度,从而减轻了梯度消失问题。经过在MNIST手写数据库和磁片数据集上的实验证明,Fexp函数的提出是可行的,获得了准确率高和收敛速度快等优良性能。(3)为了解决模型训练过程中对大量已标注样本的依赖和海量数据标注成本高的问题,本文提出了一种基于主动学习的样本优选方法,此方法以信息熵和多样性为规则,有效的利用图像所含的信息。在网络训练过程的每轮迭代中优选出信息量大,多样性丰富的样本进行训练,使用较少的训练样本就能达到较高的分类精度。这种样本挑选方法在兼顾分类器精确度的同时,大大降低了人工标注成本。