近年来,人工智能技术在计算机视觉、自然语言处理、图像分类与识别和智能机器人等各个领域中得到了广泛应用,神经网络与进化算法作为人工智能技术的两个重要分支,已在生活各个应用领域发挥着重要作用。神经网络具有大规模并行处理能力与强大的学习能力,因此可以处理复杂模型的实际工程问题,然而却存在模型结构与参数需要人工调整耗费人力物力的现状。伴随着网络深度的增加,网络性能的提高,使得需要人工设置的参数与网络结构越来越复杂,意味着研究自动设计网络结构与调整参数的方法变得更为重要。进化算法作为一种全局优化的智能算法具有并行化处理和高效的特点,因此研究者将神经网络与进化算法结合提出进化神经网络算法。本文针对进化神经网络算法的细节进行分析与优化,并将其运用到图像分类的具体应用中,本文的主要研究工作如下:第一,介绍了进化神经网络算法及其相关知识与理论,整理总结了进化神经网络国内外的研究现状及目前的主要研究方向,并对增强拓扑的进化神经网络与基于深度学习的进化神经网络两种进化神经网络进行详细介绍。第二,本文针对深度进化神经网络做出了细节性改进,提出了一种用于图像分类的进化卷积神经网络ECNN算法,该算法引入ResNet模块理论,为了全面优化所搭建的网络,将激活函数,滤波器数目、滤波器尺寸、步长、丢失率等层属性均通过进化算法进行随机选择优化。将ECNN算法用于公开发布的疟疾感染医学图像数据集与车辆数据集进行图像分类测试,实验结果表明ECNN算法具有较好的准确性与稳定性。第三,为了进一步研究深度进化神经网络,本文提出一种用于图像分类的DenseNet进化卷积神经网络的D-ECNN算法,引入了可以有效解决深度卷积神经网络中梯度消失问题的DenseNet模块,除了对激活函数,滤波器数目、丢失率、神经元数目等层属性通过进化算法进行随机优化构建之外,还将算法中的部分参数固定进行有选择的随机,有效减少了训练参数。最后将D-ECNN算法用于斯坦福大学发布的公开车辆数据集进行图像分类测试,并与先进的深度卷积神经网络算法模型进行性能对比,证明所提出的算法具有竞争力与有效性。