人工智能学科研究的发展经历了早期的从“推理与搜索”,到充分利用人类知识解决工程问题的“专家系统”时代。近二十年来,其研究的方法又逐步从运用海量数据进行“机器学习”的时代,步入了当今以“特征表示学习”为标志的基于人工神经网络的“深度学习”研究时代。这是一次大的飞跃,它为计算机“自动获取特征表示”这一人工智能领域的长期性难题提供了一种解决方案,为人工智能研究领域的发展带来了新的方向。作为特征表示学习时代的代表性技术—深度学习,它的研究从2006年前后开始,它以数据为基础,通过学习自动生成特征量而不需要人的参与,并以此来对图像或问题进行分类。不同的深度学习结构,已经被成功的应用到计算机视觉、语音识别、自然语言处理、生物信息等领域,如深度神经网络、深度卷积神经网络、深度信念网络以及深度递归神经网络等。本文在整理和总结了国内外有关深度学习模型中深度卷积神经网络模型的发展和现有研究成果的基础上,对深度卷积神经网络中感受野的性质进行了补充和深入研究,并以手写体汉字识别为应用背景,对模型的不同正则化方法进行了理论分析和实验对比与讨论。论文的主要工作如下:1)对深度卷积网络模型中感受野的性质进行了深入分析,研究推导并建立了感受野与模型中参数、模型识别率之间严格而准确的数学关系模型表达。2)结合所建立的理论描述模型,通过实验验证分析了不同感受野大小对手写体汉字识别中识别率的影响,为在基于深度卷积神经网络方法的应用中合理选择感受野的大小提供设计与理论实践的参考。3)根据论文所建模型关系,设计了具体的深度卷积神经网络模型应用于脱机手写体汉字的识别。对比验证了噪声法、Early-Stopping法、Dropout法对模型泛化能力的影响。实验结果表明:Dropout方法的精度和效率皆优于其他方法。