近年来,随着计算机软件及硬件的飞速发展,深度学习得以在计算机视觉、自然语言处理、无人驾驶等领域崭露头角。卷积神经网络作为深度学习中最重要的模型之一,在图像分类、目标检测等方向上取得了优异的成绩,但也伴随着诸如过拟合、时间内存开销较大等需要解决的问题。作为最具代表性的正则化方法之一,Dropout方法通过屏蔽部分神经元参与训练的方式有效地抑制了过拟合现象的发生。但在卷积神经网络上,普通的Dropout方法并不会带来网络的性能提升,这是由于卷积神经网络上相邻的神经元具有相近的语义,随机以神经元为单位丢弃会造成无效丢弃。研究人员从这一特点出发,针对性地改进Dropout方法来提升其在卷积神经网络上的表现,其中典型的代表有Spatial Dropout、Drop Block等方法。但我们注意到,这一系列的Dropout方法都会造成一个问题:训练时因屏蔽部分神经元而造成了信息的损失,这是目前Dropout方法无法避免的问题。如何在使网络提升特征学习效率的同时避免信息丢失的发生是一个具有挑战性的问题。针对于这个弊端,我们通过网络的可视化实验发现不同区域的特征图携带的图像信息并不相同,并从中受到启发而提出了全新的基于卷积神经网络的Dropout方法:Drop Reuse。在网络训练中,我们利用特征分割的方式丢弃神经元,再通过使用多个全连接层的方式再利用本应被丢弃的特征,最后将多个损失函数相加以作用于网络的参数更新,从而在强化网络对部分特征学习的同时避免了信息丢失的发生。本文在跨物种图像分类、细粒度图像分类、目标检测等任务上测试了Drop Reuse的性能。实验证明我们的方法可以在CIFAR-10、CIFAR-100、Image Net、Tiny Image Net、CUB-200-2011、Pascal VOC等数据集上使网络性能取得稳定的提升,并适用于诸如Res Net、Pyramid Net、Dense Net、Wide Res Net、Retina Net等不同结构的卷积神经网络。我们还证明了Drop Reuse优于现有的其他Dropout方法及自蒸馏方法,并可以和数据增强、自蒸馏方法相叠加,在现有的正则化方法中具有较强的竞争力。本文还通过一系列的残差实验来探究Drop Reuse的可解释性,我们使用了t-SNE、定量统计等方式对网络进行可视化分析,从而了解我们的算法对网络性能提升的原因所在。