残差神经网络(ResNet)是目前应用较多的一种深度神经网络模型。相比于广泛应用的卷积神经网络,残差网络解决了随着网络深度的增加而随之出现的网络退化和梯度消失问题,因而受到广泛应用。本文在残差神经网络的基础上进行了改进,目的是通过深化网络结构来达到提高精度的目的。本文的主要工作是,在残差神经网络中加入了卷积神经网络的基本结构,在保证了残差网络输入数据原有特征值的情况下,加入了一批由卷积神经网络产生的新特征值,经过网络结构中参数的不断训练并自我学习,最终达到提高网络精度的目的。在添加的卷积神经网络结构中,选取了小卷积核多层卷积的结构,相比于传统的大卷积核单层结构,极大地减少了网络结构中参数的数量,有效地减少了运算时间并提高了运算效率。此外,不同于传统残差网络将批标准化结构应用在网络结构的每个部分的做法,本文将批标准化结构放入残差网络的残差模块中,减少了算法的运行时间。论文的另一个工作是对传统的ReLu激活函数进行了改进。传统的ReLu函数在负半轴梯度为0,当出现较大梯度的数据输入时,更新参数后很容易出现神经元坏死现象,梯度不会再变化,不会再对输入的数据进行处理。论文提出了新的激活函数,改进后的激活函数在负半轴无限贴近于0,解决了神经元坏死这一问题。相比于其他常用激活函数,新型激活函数在正无穷处梯度值为常数,解决了容易出现的梯度消失以及梯度爆炸现象。在多个数据集下的训练结果表明,论文提出的ResNe-CNN网络对检测准确率和精度有着较大提升,提高了传统残差网络的泛化能力,并且减少了网络中参数的数量,提高了计算效率。