随着深度学习网络规模的增大,导致网络训练参数数量快速增长及网络训练时间随之增加,卷积神经网络作为深度学习的一部分,虽然利用权值共享降低了部分参数的数量,但是参数数量依然庞大,网络训练耗时过长问题依然存在。针对这个问题,本文实现了分布式环境下的卷积神经网络,并提出基于二叉树的异步参数更新算法（B-APU）和基于时间因素的FIFO调度策略（FIFO-T）对分布式卷积神经网络进行优化。主要工作如下:（1）实现多机环境下基于Spark网络集群的分布式卷积神经网络。通过与Spark平台的结合探索在多机环境下卷积神经网络的并行方案。利用Spark平台搭建分布式环境,并在其基础上实现分布式卷积神经网络。（2）针对分布式卷积神经网络在训练中同步数据并行方式存在集群节点等待的问题,设计了B-APU（Asynchronous Parameters Update Based Binary-tree）算法。B-APU算法将二叉树与同步和异步并行方式相结合,首先把网络节点按照计算机的处理速度构造出这样的二叉树:同一个子树的左右节点的值相差较小并且在二叉树中左子树节点是处理速度最快的节点,二叉树的上层是计算速度相对较差的节点,下层是速度较快的节点。其次,对于参数更新,同一层的节点采用参数平均法进行参数计算,保证准确率;不同层之间的使用异步随机梯度下降算法进行参数传递,提高训练速度;每一层参数的传递按照二叉树的深度遍历进行,确保速度快的节点优先进行参数传递,实现计算速度较快的节点的通信与较慢节点的计算并行,从而减少网络训练中网络通信时间。（3）Spark平台下,对于分布式卷积神经网络缺省的FIFO调度策略单纯考虑作业提交顺序带来的节点等待问题,设计了 FIFO-T（First In First Out Based Time）的作业调度策略。针对作业执行时间的差异而引起节点互相等待的问题,FIFO-T作业调度策略将作业执行时间作为作业调度判断优先级的因素之一,从而缩短由于作业执行时间的不一致而导致集群节点之间互相等待的时间。实验结果表明将B-APU算法和FIFO-T调度策略应用在分布式卷积神经网络的训练中取得了良好的效果。