胶囊网络是近年来提出的一种新型神经网络,传统卷积神经网络通常简单地对低层特征计算加权和,随后经过激活函数引入非线性变换得到高层特征。胶囊网络认为这种计算方式忽略了低层特征和高层特征之间存在的空间上相对固定的部件-整体关系,使得卷积神经网络在应对旋转、缩放、错切等仿射变换时表现不佳,只能借助数据增强的方式扩充训练数据集来缓解问题。胶囊网络以向量来描述特征,通过更复杂的路由算法使网络显式地学习到这种部件-整体关系,以此使网络拥有传统卷积神经网络不具备的等变性机制,并在一定程度上减少了网络对数据增强的依赖。胶囊网络的设计具有一定的前瞻性和启发性,成为近年来的一个新的研究热点。由于胶囊网络还不成熟,应用胶囊网络时会面临很多困难,在图像分类问题上,胶囊网络只在简单数据集如MNIST数据集上获得了高于卷积神经网络的分类准确率,而在更复杂的数据集如Fashion MNIST、CIFAR-10、CIFAR-100上,胶囊网络的分类准确率相比卷积神经网络差距较大。在图像分割任务中,胶囊网络相比卷积神经网络对显存的需求更高,而分割任务中输入图像的尺寸往往都比较大,这使得基于胶囊网络的分割模型很容易出现显存溢出问题。针对胶囊网络在复杂自然图像数据集分类准确度不高的问题,本文提出了一种使用U-Net预处理模块的胶囊网络分类模型,U-Net预处理模块在保留空间位置信息的同时提取丰富的高层特征,在不损害等变性机制的前提下有效提高了分类准确度。另外,吸收贪婪算法思想,提出了一种更高效的掩膜动态路由算法。提出的模型和算法有效提高了分类精度,在CIFAR-10和CIFAR-100数据集上分别提高了约12%和17%的准确率。针对胶囊网络在分割任务上受限于显存难以堆叠地更深的问题,本文提出了一种使用深度可分离卷积设计思想的胶囊网络分割模型。相比卷积胶囊层,本文提出的深度可分离卷积胶囊模块有效降低了显存需求。本文使用矩阵而非向量表示胶囊,有效降低了胶囊预测过程中的显存峰值。在提高分割精度精度的同时,本文提出的模型的显存占用降低为对比的基线模型的1/4,即使和其它基于卷积神经网络的主流分割模型相比,本文提出的模型的分割结果依然具有竞争力,显示了胶囊网络模型的潜力。