多任务学习作为深度学习的一个分支,得到了广泛关注与深入研究,但由于目前对任务的相似性、关系、层次性等的理解非常有限,使得深度多任务学习神经网络区分任务困难;其次,深度多任务学习神经网络的结构由一般的层参数共享逐渐演变到具体层之间的连接和切换,愈加复杂。因此,针对上述问题,提出基于混合共享与网络优化的多任务学习方法。主要工作如下:（1）针对网络区分任务困难的问题,提出多任务混合学习方法。首先,无需区分不同任务,将多任务训练数据一同送入网络进行混合训练,所有任务共用一个损失函数,前一次训练所得的网络共享层参数作为下次训练的共享层初始化参数;然后,根据不同共享层提取特征的差异和任务在深层梯度变化的不同,调节相应的神经元激活值,进一步优化网络参数,并有利于解决多任务训练过程中数据的非平衡问题。（2）针对多任务学习的特征提取和网络结构复杂难题,提出了参数混合共享网络及其多任务学习方法。首先,依据硬参数共享网络混合训练方法和影响因子权重分析方法,提出任务相似度分组策略;然后,对组内、组间的任务分别应用硬、软参数共享,并给出参数混合共享网络及其相应训练方法。该方法充分发挥了硬、软参数共享机制的优点,较好地刻画了任务的共享与私有特征,提升了多任务学习网络的性能。（3）针对多任务学习神经网络因其任务量、计算量以及存储资源的需求,难以在计算资源有限的设备或平台上部署的问题,提出了一种基于梯度结合影响因子权重分析的多任务学习网络剪枝方法。首先,根据给定的数据集,采用无需区分不同任务的混合训练方法训练多任务学习网络,在获得网络参数的同时可以有效去除由数据带来的网络偏向性;其次,根据影响因子权重分析方法计算不同任务在网络中的梯度变化差异,据此确定其中可以表征全部任务的关键神经元;最后,基于综合分析,剪去多任务学习网络中所有任务的冗余神经元及其连边,从而达到简化网络结构、降低资源消耗、并提高网络计算效率和泛化能力的目的。为检验上述多任务学习混合训练方法、硬软参数混合共享网络结构与相应的训练策略,以及梯度结合影响因子权重分析的网络剪枝方法,选用UCI公开数据集中的鸢尾花和天平秤数据以及MNIST数据集进行实验,并与主流的多任务学习方法进行对比分析,验证了基于混合共享与网络优化的多任务学习方法的有效性。