深度学习以其强大的特征学习能力和表征能力在图像分类任务中发挥着越来越重要的作用,大量深度分类网络不断被提出,但深度分类网络深受数据集和网络模型的影响,存在消耗庞大计算资源的问题,因此对深度分类网络的结构优化研究是一个十分有意义的课题。提升深度网络的性能、减少对计算资源的消耗而设计更轻量级的网络模块,是近年来学者们关注的研究热点。目前,深度分类网络面临着以下的研究问题:如何缓解网络中的深度和宽度冗余问题;如何无损获取特征图的注意力信息问题;如何解决由全局平均池化导致信息丢失和梯度传递连续性中断的问题。本论文针对这三个问题对现有网络结构进行优化研究,提出相对应的解决方法,提升深度分类网络的分类性能。本文主要的研究工作和创新点如下:（1）在网络的深度和宽度结构的优化研究上,融合残差连接、密集连接和谷歌网络的设计思想,提出了交叉残差Inception模块（Cross-Residual-Inception,CRI）。不同于Inception-Residual的单条残差结构,CRI模块在宽度结构的每一分支上都采用两条交叉残差连接,将每一分支上的前层特征信息有效的传递到后层,避免了过多残差连接引起的冗余问题。在不同分支上采取不同的卷积核配置使每一分支学习不同感受野下的特征信息,增强宽度结构特征学习的丰富度。在Image Net32和CIFAR数据集上,CRI网络以更少的深度和参数达到相同的精度。（2）在信道域注意力机制的优化研究上,提出逐深度挤压和精炼模块（Depthwise Squeeze and Refinement,DSR）。该模块利用每张特征图上无损的全局信息,根据特征图之间的独立性而不是依赖性实现特征图的重新校准,为研究信道域注意力机制提供了新的研究思路。针对SENet等注意力机制使用全局池化而造成特征信息丢失的问题,提出使用逐深度卷积替代全局池化来获取特征图信息,增强蕴含区分性信息多的特征图而抑制区分性信息少的特征图,有效提升了深度分类网络的性能。为减少参数和快速获取特征图的全局信息,该模块使用两个逐深度卷积层。DSR模块具有代码实现简单的优点,可直接应用于众多类型的深度分类网络中,在Image Net32和CIFAR数据集上,使用DSR方法的深度分类网络取得比SENet、CBAM等注意力机制更为优异的性能提升效果。本文设计了多个消融实验,分析卷积层数、精炼函数、特征图独立性、模块位置对DSR模块的影响。（3）在全局池化操作的优化研究上,增强对区分性高维语义信息的学习能力,保证梯度传递的连续性,提出全局可学习池化方法（Global Learnable Pooling,GLPool）。不同于全局平均池化操作对梯度的平均化操作,GLPool方法通过突出区分性特征区域的贡献能力,增强显著性特征的梯度,从而提升深度网络的分类性能。GLPool方法具有自适应于网络尺寸、参数少的优点。针对池化层所处的位置和尺寸,本文提出并验证假设:池化的区域越大、越靠近网络的输出端,池化层对于网络的影响越大。为显示GLPool方法增强区分性特征区域的学习能力,本文使用类激活图（Class Activation Map,CAM）可视化深度分类网络的学习结果。在Image Net32和CIFAR100数据集上,GLPool使Res Net、Goog Le Net、Shuffle Net等网络的性能显著提升。