深度神经网络是人工智能领域的重要研究方向之一。随着深度神经网络的发展,网络的参数规模不断增大。虽然更大的参数规模带来了更好的性能,但是同时也使得网络更加难以训练和更容易产生过拟合,甚至因为过量的参数导致网络退化。为了解决这些问题,需要对网络内部的参数关系进行分析,并利用参数关系优化深度神经网络。本文的主要研究内容如下:第一,通过实验分析了深度卷积神经网络中多种参数关系对网络性能的影响。绝对值越大的权值连接参数对网络的贡献度越大,且模型性能主要由极少数的大权值连接参数决定。卷积核的数量与网络的泛化能力有正相关关系,部分卷积核对网络识别某些特定的样本起到了抑制作用。波动性弱的权值连接参数对网络收敛的影响更大。正态分布初始化权值连接参数比均匀分布更稳定。第二,提出了一种基于大权值抑制的优化算法。该方法调整了模型训练时的权值更新策略,设置一个与权值大小相关的抑制系数,用该系数调整反向传播时的权值增量幅度,达到控制大权值连接参数分布的目的。在不同实验条件下,该方法使模型对大权值参数的敏感性明显降低,模型泛化能力和鲁棒性均得到改善,可以有效抑制网络过拟合问题。该方法也可用于对已训练好的网络模型进行再优化。第三,针对大权值抑制算法的优化性能进行了评价。大权值抑制算法的时间复杂度为O（wlog₂ w）,空间复杂度是O（w）。实验验证了优化的网络中大权值的贡献度被分散到更多的权值,并且大权值抑制算法可以优化网络训练的稳定性。