人工智能已经越发地贴近人们的日常生活之中,自动识别车牌,通过面部识别来进行支付操作,都已经融入到了社会的各行各业之中。而这些识别系统的核心算法大部分都是来自于卷积神经网络（CNN）。虽然卷积神经网络在图像识别领域已经是非常成熟且应用良好的一个算法,但卷积神经网络依旧存在着一些问题,诸如卷积神经网络的不可解释性,在学习过程过分强调不变性特征的学习,都是卷积神经网络无法规避的问题。胶囊网络在网络结构上针对这些问题有了一定的改进,本文对卷积神经网络、胶囊网络进行了优化,使用堆叠胶囊自编码器在多个数据集上与卷积神经网络、胶囊网络做了对比实验,通过实验结果与分析,表明本文提出的对卷积神经网络与胶囊网络的优化方法是有效的。本文的主要工作包括:（1）详细分析了卷积神经网络在国内外的研究与应用现状,对基于卷积神经网络的图像识别算法进行了剖析,针对其存在的问题,提出了本文的研究思路以及研究内容。（2）详细分析了胶囊网络自2017年出现到2020年的发展历程,即胶囊网络、带EM路由的胶囊网络、堆叠胶囊自编码器以及类条件胶囊的重构。并采用胶囊网络以及经过优化后的胶囊网络来完成本文的实验内容。（3）设计了一个卷积神经网络和胶囊网络在MNIST数据集上的对比实验。首先在训练集是1对1识别,测试集也是1对1识别的情况下进行对比实验。实验结果表明,在这种情况之下卷积神经网络和胶囊网络的表现是相近的。然后在训练集是1对1识别,测试集是2对2识别的情况下进行对比实验。（4）基于前文的实验内容,对胶囊网络的结构进行了优化,并在MNIST数据集上再次实验,发现优化后的胶囊网络训练效率更高、识别准确率也有了一定的提升。并且在之后使用了混合批次训练的方式来训练胶囊网络,得到了更好的识别准确率。（5）将优化后的胶囊网络分别在CIFAR-10、CIFAR-100、SVHN数据集上进行了实验,发现优化后的胶囊网络的识别准确率能够略高于目前其他神经网络算法在这些数据集上识别准确率的平均水平。