迄今为止,深度学习已经成功应用于计算机视觉等新兴领域,深度学习的成功除了其包含优秀的卷积结构以外,还得益于激活函数的发展。因此,寻找更合适的激活函数已成为深度学习中必不可少的研究主题。目前,从深度学习中激活函数的使用情况来看,主要是以人工设计的激活函数ReLU及为解决ReLU函数在网络训练过程中出现神经元死亡问题而提出的变体ReLU激活函数为主,通过搜索构造技术产生的混合激活函数的使用情况相对较少,相关研究也比较缺乏。对于不同类型的激活函数,其非线性表达能力不同,对网络学习效果的提升也不同。鉴于此,本文开展了混合激活函数的研究,主要研究工作如下:（1）本文通过研究激活函数GELU、Swish和Mish的结构特点,提出一种原始输入与复合函数调制结构相乘的混合激活函数结构,且本文将LSTM和GRU门控结构的数学表达与该混合激活函数结构的数学表达进行映射,以此确定了本文提出的混合激活函数结构的意义。（2）本文基于该混合激活函数结构,通过蒙特卡洛树搜索技术构造出多种混合激活函数并对这些激活函数进行多种条件下的平衡筛选,最终选择结构简单、可以保留负面信息的激活函数Mash作为本文提出的混合激活函数,且本文通过分析Mash函数的图像特点,研究该函数与其他激活函数的相关性,验证了该函数不仅可以有效避免神经元死亡等问题,而且还可以使网络具有更好的表达能力。（3）在实验对比验证阶段中,本文在多种数据集上将Mash函数及其他激活函数应用到不同类型和不同深度的神经网络模型上进行验证实验。实验结果表明,本文提出的混合激活函数Mash不仅可以使网络在训练过程中更好的收敛,而且具有普适性。（4）在Mash函数参数研究阶段中,本文对Mash函数进行参数扩展,对其扩展后的参数进行研究及实验分析并总结扩展参数在网络训练过程中的作用。