深度学习是机器学习研究过程中一个全新的领域,是一种目的在于建立和模拟人脑方式进行学习的神经网络,并且能够模仿人脑的运行来处理相关数据,使机器可以像人类一样,具有很强的分析学习能力,这便是深度学习的目标。通过深度学习,机器可以对声音、图像以及文字等数据进行有效识别。而深度学习的本质,则是通过构建其具有很多的隐含层的机器学习模型和大量的训练数据,来学习更为有用的特征,从而使之能够提升分类或预测的准确性。卷积神经网络(Convolutional Neural Network,CNN)作为深度的监督学习下的机器学习模型,由于具有较高的学习效率等特点,已经成为众多科学领域的研究热点之一,特别是模式分类领域取得了不菲的成绩。本文通过学习及梳理了国内外卷积神经网络的进程及最新研究成果,将详细的介绍卷积神经网络模型的结构和特点,并根据卷积神经网络多适用于大型数据集,从而提出一种针对小样本的改进算法,引入随机退出(dropout),并且在手写汉字图像方面进行应用,取得了较好的效果；如此之外,还将卷积神经网络算法应用在生物DNA图谱识别当中,通过改进的生物DNA图谱识别方法,从而提高生物DNA图谱识别的准确性。