图像识别的应用非常广泛。目前深度学习已经成为图像识别技术的主流方法,例如被大量使用的卷积神经网络。但图像经过旋转、平移等变化后,卷积神经网络的识别准确率会明显降低,这说明物体的空间关系对该网络识别性能有很大的影响。胶囊网络的出现一定程度上消除了这种影响,该网络不会丢失物体的位置信息,物体的平移、旋转、放缩变化不影响识别的准确性。这促使胶囊网络模型逐步替代现有的卷积神经网络模型。但是该模型的损失函数的阈值固定上下限,容易过早出现“失活”胶囊。因此就这一缺点,对胶囊网络模型进行改进是一个有意义的课题。本文从以下几个方面对胶囊网络进行改进:1)在动态路由过程中,利用spread损失来代替原有的margin损失,其作用是取消了模型一开始固定阈值的上限与下限,而使用线性增加的方式改变阈值,一定程度上避免过早出现“失活”胶囊现象;2)为了验证重构的必要性,本文在模型参数相同的情况下,对带有重构子网络和未带有重构子网络的胶囊网络性能进行对比,研究表明,带有重构子网络的胶囊网络模型分类准确率要优于后者;3)为了确定模型的最优参数,本文在不添加重构子网络的情况下,对不同路由迭代次数进行了研究,确定路由迭代次数对分类准确率的影响,并以此确定模型的最优参数,研究表明,路由迭代次数为2,训练轮数为150时,数据集分类准确率最高,通过数据分析,验证了该模型在未做增强和扩展处理的MNIST数据集上的误分率降低至0.32%。研究表明,改进胶囊网络使得图像识别效果有提升,同时改进胶囊网络在Fashion-MNIST,CIFAR-10数据集上也表现出了良好的性能。