卷积神经网络将人工神经网络模型和深度学习技术有效地结合在一起,该网络模型具有局部感知区域、结构化层次以及特征提取与分类相结合的全局训练等特点。卷积神经网络较强的特征学习和分类能力引起了人们广泛的关注。最近几年,在图像分类、目标检测、图像识别等领域都取得了很多成功的应用,因此,对卷积神经网络的研究具有重要的意义与价值。本论文在研究传统卷积神经网络的特性后,提出了一类递归型卷积神经网络。即在卷积神经网络的全连接层引入Elman-Jordan型递归神经网络。其主要作用是充分利用递归网络较好的学习能力,并结合卷积神经网络的特征学习能力,进而减小网络分类的错误率。我们实现了从结构上对卷积神经网络的优化改进。实验证明递归型卷积神经网络对有噪声的输入信号有更好的识别能力。本论文接着又在递归型卷积神经网络的研究基础上,为了能让网络更好地利用低层特征和高层特征,使用了跨层连接的概念—将网络中的两个采样层的输出都直接输入到网络的全连接层中,从而得到了一类递归型跨连卷积神经网络模型。这样便得到了更多的输入特征,更有利于提高网络识别的正确率。为了验证本论文提出的两种递归型卷积神经网络模型的性能,我们在中国车牌数、MNIST、Cifar-10和一个2分类的数据集上对两种网络分别进行了实验测试。实验结果表明,相比传统卷积神经网络和Elman型卷积神经网络,我们提出的两种递归型卷积网络模型都有相对更小的错误率,而递归型跨连卷积神经网络在Elman-Jordan型递归网络的基础上错误率又有所下降。