胶囊网络以向量的形式传递信息,这可以保留更多诸如空间位置等图像信息,并且能够以特征相应的强度来表示图像。层与层之间采用动态路由算法来取代传统卷积神经网络中的池化。本文从网络模型和动态路由算法等方面进行研究,与卷积神经网络中的优秀技术相结合,进一步提高胶囊网络的性能,具体研究内容如下:1)使用一致性参数网络降低胶囊网络的计算复杂度,同时改进了动态路由算法,减少了过拟合。通过使表示同一位置的不同胶囊的路由系数保持一致,将动态路由过程待训练参数减少到原来的1/32。使用卷积解码器重新搭建了重构网络,近一步减少网络参数。在MNIST数据集上的实验可以证明,本文提出的模型可以在保证测试精度的同时减少参数量和训练时间,且重构图像噪点更加平滑,优于基线胶囊网络的重构图像。2)针对胶囊网络在CIFAR-10等复杂背景的彩色数据集上精度不高的情况,本文受dense Net启发,提出了一个使用密集连接改进的胶囊网络D-Cap Net。在网络的特征提取部分,通过提取不同维度的特征并将这些特征用密集连接的方式连接起来,作为胶囊层的输入。同时加入Batch Normalization优化方法,缓解梯度消失问题。在CIFAR-10数据集上的实验证明,本文提出的改进的胶囊网络在识别精度上超过基线胶囊网络16%,重构图像仅有少量噪点,比基线胶囊网络更加清晰。3)将改进的胶囊网络应用于深度伪造检测,在Forensics++数据的实验表明,胶囊网络比其他方法的准确性更高。同时试验了不同数量胶囊的网络对结果的影响,实验证明胶囊网络相比一般的深度学习网络,在网络结构上更加灵活。本文在胶囊网络的特征提取、动态路由和重构网络部分均有改进,通过实验证明了改进的有效性,提高了胶囊网络的性能,为今后的研究与发展提供了参考方向。