卷积神经网络（Convolutional Neural Network,CNN）在图像特征学习领域取得卓越的成就,已经成为解决图像分类、图像降噪、目标识别、图像分割以及其它充满挑战的计算机视觉任务的主流方法。从将网络层简单相连的逐层连接的网络结构,到支持跨层间连接结构的残差网络结构（Res Net）,到密集连接的密集网络结构（Dense Net）,再到Google Net宽度网络结构,网络结构已经成为影响CNN模型特征学习能力好坏的关键。然而传统人工设计CNN结构并非易事,不仅需要大量CNN相关的专业知识与丰富的经验,而且针对不同数据集人工设计出的CNN结构需要进行相应的调整,这大大限制CNN的发展。为缓解人工设计CNN结构的难题,自动设计CNN的网络结构搜索（Network Architecture Search,NAS）算法被提出。虽然NAS算法能够在一定程度上解决人工设计CNN的困难,但是NAS算法往往消耗大量的计算时间和计算资源。同时,NAS算法仅仅使用CNN的深度网络结构,忽略CNN的宽度网络结构,这限制自动设计的CNN模型的特征学习能力。除此之外,现有的NAS算法往往都是自动设计图像分类任务的CNN结构模型。然而图像降噪任务同样存在着和图像分类任务相似的问题,但能够有效处理图像降噪任务的NAS算法研究还尚未起步。本文主要通过对CNN结构以及CNN结构搜索算法进行研究提出改进算法,针对上述NAS算法存在的问题开展以下工作:（1）针对现有NAS算法需要消耗大量计算时间和计算资源的问题,本文提出一种基于划分数据集的回归正则化修正方法。通过对CNN模型参数量、划分数据集下CNN结构模型精度以及完备数据集下CNN结构模型精度三个特征训练回归模型。同时引入自适应的正则化惩罚机制来进一步保证修正模型的有效性。对于现有NAS算法仅仅使用CNN的深度结构,忽略CNN的宽度网络结构的问题,本文基于AE-CNN算法的残差网络模块和密集深度网络模块,借鉴Google Net引入Inception宽度网络模块,从而充分融合CNN深度网络结构和宽度网络结构的特征。同时本文提出Feature模块进行CNN浅层特征提取,使用Transition模块代替传统卷积层来进行特征变换,使用Dropout模块减少CNN特征学习过程中过拟合的现象。在图像分类数据集CIFAR-10和CIFAR-100上的实验结果表明,本文所提出的算法不仅保证NAS算法可靠性,而且大大减少算法所需的计算资源和运行时间,从而快速自动搜索特征学习能力强以及泛化能力强的CNN结构模型。（2）针对现有NAS算法尚未能够有效解决图像降噪任务的问题,本文基于DnCNN算法,创新性的提出NAS算法来处理图像降噪任务。同时针对DnCNN仅仅使用简单逐层连接网络结构的问题,本文所提出的算法引入残差网络和密集连接网络等深度网络结构模块以及Inception宽度网络模块。除此之外,针对图像降噪任务的特点,本文对解决图像分类任务所提出的Feature模块和Transition模块网络结构以及NAS的适应度函数进行相依的调整。在图像降噪数据集Set12与BSD68中实验结果表明,本文算法可以自动设计特征学习能力强以及泛化能力强的图像降噪CNN结构模型。