卷积神经网络是机器学习研究领域的一个分支,是在人工神经网络的基础上发展起来的新的领域。随着大数据深度模型以及硬件设备的完善,深度学习技术也得到了广泛发展,促进了计算机视觉、语音识别、自然语言处理等领域的发展,而这些模型的成功非常依赖于大量数据。但是,在实际应用中,由于收集数据集和训练模型成本很高而且耗时,受困于数据集有限,导致训练出的模型过拟合。为验证模型的泛化性,本论文基于公开kaggle猫狗数据集在深度残差神经网络的验证数据集精度91.04%,和基于工程实践的31类数据集在深度残差神经网络的验证数据集精度85.59%,应用在工程实践中训练和验证精度不够,产生严重过拟合现象。因此本文基于残差神经网络架构提出两中减少过拟合的方法,第一类方法提出通过交叉组合弃权、减少卷积核的大小、减少卷积核的数量的方法,通过减少可训练参数降低过拟合,使用交叉组合的方法使得kaggle猫狗数据在验证数据集上的精度达到95.78%,在31类工程实践验证数据集上达到87.64%;第二方法在基于Finetune残差神经网络的基础上提出循环Finetune残差神经网络的方法改善模型精度,Fintune残差深网络在kaggle猫狗验证数据集上的精度99.42%,在31类工程实践验证数据集的精度99.19%,而在提出的循环Finetune残差神经网络的方法在kaggle猫狗验证数据集精度上达到99.58%,在31类工程实践的验证数据集精度上达到99.48%。