随着深度学习在计算机视觉和模式识别领域的快速发展,与之相关的人工智能技术取得了很大的进步。其中,卷积神经网络作为深度学习算法中的一种,具有结构简单,适应性强,训练参数少等特点,近年来被广泛应用在图像分类识别领域中。虽然这些基于卷积神经网络的模型及其变体持续不断的提高着图像分类识别的结果。但是,高性能的卷积神经网络往往具有很大的计算复杂度和内存消耗,人们很难将其投入到实时的应用和设备中。虽然现在文献中提出了很多用于减少网络复杂度和优化网络模型速度的方法。但是网络配置中大量的参数与网络复杂度及性能之间的关系并没有被完全探究和分析出来,本文的主要工作是平衡网络复杂度和性能两方面的因素,配置一个合适的网络,使其能够符合应用平台的需求。本文首先设计一个卷积神经网络作为我们的基准网络,然后找出几个影响网络计算复杂度的重要参数,如卷积层的层数,滤波器的大小,输入图像的分辨率等作为影响网络复杂度的控制参数,网络的复杂度可以通过不断的减少这些控制参数来降低。本文通过大量的实验,用这些配置不同的网络训练出不同的模型,并记录下它们的性能和耗时。然后,本文建立一个数学分析式去归纳出卷积神经网络运算复杂度和分类精度之间的内在联系。通过获取了有效的分析式,来执行C-P的优化工作,即在特定目标精度的下使网络的复杂度最小,或是在既定的复杂度下得到精度最大的模型。本文在两个数据集CIFAR-10和LFW上的实验结果验证了方法的可行性,其中在人脸数据集LFW的实验中,通过本文的方法调整网络配置,得到的最优模型相比于基准网络训练出来的模型复杂度下降近了20倍,而精度只下降了2%。为了说明所选择的最优模型的实用性,本文搭建了一个人脸性别识别实时系统并展示了模型在系统中的识别效果。