权重初始化是指在卷积神经网络开始训练之前,给予其合适的初始值,优化模型在训练过程中的收敛速度以及最终的泛化能力。卷积神经网络的训练目标是寻找权重最优解,因此,合适的权重初始化方法是卷积神经网络快速收敛并获得良好泛化性能的基础。现有的随机初始化方法加重了模型训练的负担,迁移学习初始化方法对迁移前后的目标任务以及模型结构具有一定的要求,从而限制了其应用范围。因此,本文从预训练模型的权重统计分析入手,通过分析预训练模型的权重分布获取其分布规律,并将分布规律应用于模型初始化,从而,减弱了随机初始化的盲目性,解决了迁移学习初始化对于模型结构的依赖问题。本文主要工作和创新点如下:（1）针对随机初始化方法缺乏分布规律指导的现状,研究预训练模型中先验信息的规律,并据此制定新的初始化方法。由于现有的随机初始化方法都是以正态分布和均匀分布为主,本文对权重具有的分布特征进行拟合和检验。通过基于JarqueBera统计量的正态性检验以及双对数下线性拟合的幂律分布检验,最终确定其符合对称幂律分布的特征。通过对幂指数变化情况的分析,确定各卷积层的幂指数随着层数的加深而逐渐减小的规律。依据得到的规律,建立了初始化方法中的概率分布函数为对称幂律分布函数,据此创建初始化方法的数学模型。结合卷积层幂指数的变化规律,制定了一种基于卷积层规律的权重初始化方法（NSPL＿layer）。（2）在上述研究基础上,以同层卷积核为对象,研究卷积核各个位置上的权重分布,得出了卷积核权重的空间分布规律,并据此制定新的初始化方法。依据卷积核结构和卷积操作过程,对卷积核上同一宽度和高度坐标位置、不同通道的权重进行研究,最终归纳出预训练模型权重的幂指数随着卷积核位置由中心向四周呈现步长递减性的规律,对卷积核的位置提出了类别划分方式。基于创建的对称幂律分布的模型,提出了结合卷积核幂指数变化规律的数据采样算法,设计了一种基于卷积核位置规律的权重初始化方法（NSPL＿kernel）。（3）设置对比实验,检验两种初始化方法的有效性和适用性。选用目前常用的He初始化方法为实验对比对象,选择若干网络模型在不同数据集上进行对比实验。实验验证基于幂律分布的两种初始化方法在RGB图像分类问题中,提升了模型的首轮次精确度,并且对模型的最终准确率也具有一定的优化作用,其中基于卷积核的初始化方法比基于卷积层的初始化方法优化程度更高。