卷积神经网络近年来应用广泛,目前很多图像分类任务的最好成绩都是通过卷积神经网络取得。本文研究重点为卷积神经网络中的池化层。池化层对于提升网络的性能具有重要意义,且除了能应用在卷积神经网络中,还可以应用于深度学习中的其他网络结构。传统的池化方式为最大池化和均值池化,但是这两种方法对于激活值的多样性和显著性不能达到一个很好的平衡,并且会在池化过程中造成信息的损失。基于此有许多改进的池化方法被提出。这些改进的池化方式考虑到了整个池化区域的激活值分布来决定池化的结果,然而基于选择输入特征激活值的池化操作很难选择池化区域的一个完美激活代表。其实这些池化方式都可以看作是加权池化操作的一个特例,于是本文提出基于网络自学习的加权池化方式。本文给池化层增加少量的学习参数,实现根据网络的需要进行对应的特征压缩。并且不同于以往的池化操作,本文对不同通道独立进行池化操作,尽可能多保留网络需要的信息。同时对池化层权重增加正则化约束项,对网络代价函数以及网络的前向、反向传播的算法都做了相应更新。在实验部分,构建经典卷积神经网络模型,使用CIFAR10、CIFAR100和NORB数据集比较不同的池化方法,实验结果表明本文提出的自学习池化方法具有较好的适用性。对于自学习池化层的权重参数,本文对学习结果进行分析。通过对激活值排序后进行权重学习,对比不同层的权重值和激活值的关系,结果表明网络需要的池化操作并非对于更高的激活值赋予更高的重要度。对于自学习池化方式的鲁棒性,本文通过将实验数据集进行不同角度的旋转操作,并用训练好的网络进行实验,数据集的测试结果说明本文改进的池化算法具备较好的鲁棒性。本文还对比了不同池化方式的时间成本,说明该算法时间成本的增加并没有太大。