图像是生活中最常见的数据类型之一,图像研究也是热门的领域,神经网络凭借着强大的逼近能力成为常用的图像处理技术之一,卷积网络更是成为了图像处理中不可或缺的一部分。但是卷积网络也存在自己的缺陷,卷积网络只能判断物体是否存在,但是对于输入样本图片中的其他信息都一概不知。针对这个问题,Hinton提出了胶囊网络,胶囊是一组神经元组成的集合,所有的操作目标都是胶囊,与单个的神经元相比,胶囊包含更多的信息。本文在胶囊网络的基础上进行研究和拓展,从两个角度研究胶囊网络。我们首先将已有的深度网络和胶囊网络相结合,然后本文将链接超平面思想引入胶囊网络中,提出了Capsule Re LU激活函数。本文在常见的图像数据集上进行实验验证了模型的效果。本文的主要工作如下:使用三维向量的叉积建立了叉积胶囊网络,并且通过实验验证了叉积胶囊网络的有效性。结果胶囊作为最终叉积胶囊网络的输出,其长度为最后分类的依据,结果胶囊呈现稀疏的状态,大部分结果子胶囊的长度接近0,对于不同的类别,非零的结果子胶囊也不同,子胶囊对于不同类别的输入响应是不同的。在使用三维向量建立叉积胶囊的基础上,将三维叉积扩展到维,建立维叉积胶囊网络。借用文献中定义的维叉积运算,构建了新的胶囊网络模型。在图像分类实验中,图像分类数据集实验证明了维叉积胶囊网络的性能,在重构实验中,重构网络成功将结果胶囊进行重构为原本的数字图像。随后使用Faster R-CNN作为目标检测框架,使用维叉积胶囊网络作为目标分类器在PASCAL VOC数据集上进行目标检测,最终的实验结果达到预期效果。另一方面,提出了一种新的胶囊激活函数。在胶囊网络中,Squash激活函数存在饱和区,当网络加深时,很容易出现梯度消失的情况,为了解决这个问题,提出了Capsule Re LU激活函数。Capsule Re LU函数结合了Batch Normalization模块和Re LU激活函数,有效缓解了深度胶囊网络中梯度消失的问题,降低了深度胶囊网络的优化难度。