在一定条件下,非线性系统中噪声有益于信号或信息处理的现象称为随机共振。本文主要研究了常见优化算法的卷积神经网络,然后对网络中的随机共振现象进行了研究,具体研究内容如下:首先从时间消耗、初始学习率、批尺寸数量和卷积核数量这四个方面对反向传播算法中梯度下降算法的5种优化算法进行了研究,这5种优化算法使得卷积神经网络达到收敛情况时的时间消耗有明显的差别,其中Adam优化算法使得网络达到收敛所花费的时间最短。不同的初始学习率、不同的批尺寸数量和不同的卷积核数量对于卷积神经网络的训练过程也有不同程度的影响。然后构建了一个三层的卷积神经网络结构,其中反向传播算法使用动量梯度下降算法去更新网络中的参数,对反向传播算法中的动量梯度下降算法进行Adam优化,研究了在算力有限条件下,Adam优化的算法可以提高卷积神经网络的性能,增加训练样本数量使得两算法之间的交叉熵和错误率的差距减小。对Adam优化的卷积神经网络的输出神经元加入高斯噪声,仿真结果表明,交叉熵减少百分比和错误率减少百分比出现了先下降后上升的现象,即随机共振现象,但是增加训练样本数量使得随机共振的效果减小。最后在卷积神经网络的输出神经元添加均匀噪声,实验结果表明,交叉熵减少百分比和错误率减少百分比这两个测度都出现了随机共振现象,但是增加训练样本数量使得随机共振的效果减小。