构建智能度更高的人工神经网络一直是研究者追求的目标。本文深入的研究了典型人工神经网络的模型及其应用并且从仿生学的角度来评估及优化人工神经网络。本文首先对比分析了几类典型的人工神经网络即KIII模型、BP神经网络以及LeNet5模型在模式识别中的应用(脑电识别和人脸识别),实验表明,不同的人工神经网络都具有较好的识别能力。但是,仅从识别率的高低评估模型的整体性能,判断其与真实生物神经网络的仿生程度,这过于单一。然后,本文从仿生的角度构建评估人工神经网络仿生度的指标集,采用定性与定量的方式对模型的仿生度进行整体分析。在定性方面,对模型的神经元方程、网络结构、权重更新原理等方面进行比较分析;在定量方面,基于仿生的角度构建指标集即小世界特性、同步特性及混沌特性,对模型进行分析,分析结果表明,LeNet5模型及BP神经网络具备同步特性,但其与真实生物神经网络仍有一定的距离,而KIII模型在结构上具备一定的小世界特性,其网络内部也表现同步特性及混沌特性,与真实的生物神经网络更为接近。最后,本文基于小世界的思想提出一种随机加边的算法以提升卷积神经网络模型性能。该算法以卷积神经网络模型为基准,利用概率p随机化向后层跨层连接,通过改变卷积神经网络拓扑结构,达到优化跨层连通性的目的,为模型的改进提供新思路。基于Fashion-minist与Cifar10数据集的仿真实验结果表明:1)以p=0.1的概率随机化加边重构模型,对模型的识别准确率及训练的收敛速度大有提升;2)通过随机化加边,在边的数目为15时,模型的综合性能最优。