近年来,深度神经网络在学术界和工业界的众多领域均取得了引人瞩目的成果,然而这种高性能的模型通常也伴随着模型结构的复杂化、高维参数等问题,从而使得模型在训练过程中容易出现过拟合现象。因此如何提高深度神经网络模型的泛化能力仍然成为了各类研究领域的挑战。目前用于减小过拟合的正则化方法主要包括Dropout,DropConnect和Batch Normalization等,但是这些方法都是隐式的正则化方法,并没有从隐藏层的结构性能角度去解析。由于隐藏层是神经网络中提取高维抽象特征的关键,因此,在本文中,我们采用集成学习的视角来分析神经网络的隐藏层,提出了一种新的基于集成学习思想的去相关性正则化方法。在全连接网络中,主要对隐藏层的节点进行不重叠的平均分组,将每组节点视为一个基学习器,在卷积神经网络中,我们主要将池化层中的每一个特征图视为一个基学习器。通过将神经网络的隐藏层视为若干个基学习器的集成,然后在网络模型的训练过程中减小这些基学习器之间的协方差,从而迫使模型学习更多多样化的特征,减小网络结构中存在的冗余信息,进而提高神经网络模型的泛化性能。我们分别在MNIST、CIFAR-10和CIFAR-100数据集上进行了实验,实验结果表明,本文提出的基于集成学习的去相关正则化方法相较于传统的正则化方法,可以更好的减小深度神经网络中存在的冗余信息,缓解过拟合现象,从而提高模型的泛化性能。