卷积神经网络(CNN)作为一种专门处理具有网格状结构数据的神经网络,在图像数据(二维的像素网格)领域中具有广泛应用。卷积神经网络中的卷积核数量可以在准确性和计算效率方面对卷积神经网络的性能产生重大影响。然而,确定卷积核数量的现有方法主要通过手动过程进行,手动选定过程存在潜在过拟合,不稳定性和低效率等问题。卷积核数量动态适配方法用来解决卷积核数量设定后CNN存在的过拟合或者随机设定的问题,具有重要的意义。针对卷积核数量选取不稳定、低效率以及容易过拟合等问题,本文提出了一种基于角点辐射域的卷积核数量适配(CRAA)方法。CRAA方法主要包含三个模块:去噪模块,角点检测模块和角点辐射域模块。由于CNN在初始几层的训练过程中主要提取图像中具有高价值的图像特征,并且在CNN网络训练过程中必须始终存在这些关键特征。因此关键特征是否可以被CNN学习就变的十分关键,使用关键特征的数量作为卷积核数量的基础是可行且必要的。为了更好的寻找到合适的关键特征,CRAA提出了一种基于图像角点对卷积核数量进行适配的思路,并在此基础上引入了更为完善的角点辐射域(CRA)概念。通过CRAA方法可以寻找关键特征并对其数量进行统计,进而根据不同数据集中的图像自动适配卷积核的数量。实验上的策略是通过在多个公共数据集上与多种代表性方法进行比较来评估CRAA。实验结果表明,CRAA对卷积核的数量具有鲁棒性,该卷积核很好地适应于特定的数据集。针对传统角点检测容易检测出噪点这一问题,本文提出了一种基于网格细粒度的去噪角点检测(MFgD)方法。由于角点辐射域形成的必要条件是检测出角点,因此对传统角点检测方法寻找满足CRAA条件的角点提出了新的要求,这无形中加大了传统角点检测方法处理起来的难度,进而增加了错误率并降低了算法的效率。基于网格细粒度的去噪角点检测(MFgD)方法的主要思路是通过目标像素点周围的8个相邻像素进行预处理操作。MFgD通过类型分类器将不同类别的像素空间进行分类,并根据每种类别的具体情况进行单独分析,并分别进行排除。实验上的策略是通过对不同类型的图片进行测试,并与经典角点算法进行对比。实验结果表明,MFgD方法提供的去噪规则可以有效的为传统角点检测进行去噪处理。通过CRAA和MFgD方法,本文为CNN网络提供了一种鲁棒的卷积核数量适配算法框架。使用此适配框架可以较好的对卷积核数量进行良好适配。