卷积神经网络是目前深度学习领域重要的研究方向之一,广泛应用于图像分类、图像分割以及目标检测等领域,尤其在图像分类任务中可以达到更好的识别效果。而图像分类的准确率深受网络结构和参数的影响,所以对于网络结构以及参数优化问题的研究具有非常重要的意义。人工设计网络结构通常需要专家的设计,这个过程耗时并且容易出错。因此神经架构搜索作为一种自动搜索网络架构的方法受到了广泛应用。差分进化算法作为NAS的一种搜索策略,利用并行处理的方式引导式的随机搜索,通过变异和交叉操作使网络进化到更高的水平。DE作为一种基于差分向量的进化方法,使用变异策略实现变异操作。很多针对变异策略改进的变体已经被广泛应用于诸多领域。但是DE依然存在一些问题,比如单一的变异策略设计容易陷入局部最优解。另外现存差分进化算法的参数大多由初始化设定,难以高效的搜索到最优网络结构。针对上述问题,本文使用自适应的差分进化算法搜索卷积网络结构,并在图像分类数据集上验证网络性能。具体研究包括:（1）本文使用一种基于层次模块化的搜索空间。在该搜索空间中,神经网络结构被简化成搜索单个模块的任务。本文将原Alex Net网络结构改进成对于两个模块的搜索。实验结果表明模块化搜索空间收敛速度更快。（2）本文提出一种自适应选择变异策略的差分进化算法。在该搜索策略中,进化过程根据阈值划分进化阶段,初期在全局范围内搜索;中期加入拥挤度排序的思想,结合两种新的变异策略进行局部和全局兼顾的优化;后期在邻域范围内进行搜索。通过实验证明此自适应变异策略可以提高图像分类的准确率。（3）本文提出一种自适应的差分参数调整策略。首先将成功进化的个体对应的参数记录下来,并依据这些参数选取对应的均值,然后依照均值构建概率分布并在其中选择下一代参数。实验证明自适应参数可以极大减少计算量。