卷积神经网络发展至今,在图像分类方面取得不俗的成就。随着硬件的迭代更新,卷积神经网络的研究发展依旧存在广阔的发展前景。当前的研究表明,卷积神经网络的深度和精度依旧是研究的难点。深层网络的分类精度高,但是复杂度和冗长性会导致实验的难度加大,而浅层网络的泛化性弱。为了解决这一难题,本文围绕优化卷积神经网络的结构,降低网络的复杂度的角度展开研究。主要工作包括:1、提出了在dense block结构中添加多分辨率因子的优化方法,提高了各层网络输出特征泛化能力和特征提取的效率,使重要特征更为显著,优化了特征提取过程中特征丢失的问题,提高future maps传递过程中的完整性,进一步提高网络模型的性能。解决了卷积神经网络在提取特征的过程中,特征提取不充分、特征丢失的问题。2、设计了在dense block结构间添加残差注意力机制网络的优化方案,增强了dense block结构间的显著特征,提高了特征提取的优化效果。解决了当前的深度学习通常需要从头开始训练,使用Finetune来学习新任务达不到预期效果的问题。3、利用蒸馏学习的特性,提出了自我蒸馏的优化方法,将网络层数较深的网络的权重模型移植到网络层数较浅的网络中,从而达到压缩网络的目的。4、多分辨率网络在图像分类上的应用。图像分类技术已经逐步应用在工业生产和实际生活中,这一部分是应用在道路交通标志的识别上,将交通标志图片通过预处理提取特征,再用上文提到的优化后的网络结构对特征进行实验并分析,结果表明,本文提出的优化算法性能更优。