深度学习作为一种具有多层神经结构的神经网络学习方法在当今科技领域已成为热门的研究分支,并在工程应用领域得到大量推广应用。然而,因结构复杂性、模型训练效率低下、易陷入局部最优、泛化能力弱、资源消耗大、梯度爆炸现象严重等,导致深度学习模型在应用中受到极大限制。如何借助生物视脑神经系统的结构及功能特性,建立结构简单、训练速度快、问题求解质量高的新型深度神经网络,是深度学习分支中迫切需要解决的重要科技问题。果蝇是一种对运动目标变化极其敏感的生物,其视脑系统能实时地感知运动目标的运动行为并对此能准确地作出响应,此独特的响应特性为计算机视觉研究提供了新的生物理论基础。为此,本文针对彩色图像分类、雾天环境下能见度实时预测问题,借助果蝇的视脑神经信息处理与学习机制,建立相应的果蝇神经网络模型与算法,并展开算法的性能研究。研究工作不仅有助于获得结构简单、训练参数少的新型神经网络,而且能为基于图像的能见度时间序列预测问题提供新的解决方案。主要工作和取得的成果概括如下:1、针对彩色图像的分类问题,基于果蝇的视脑神经信息处理及价值决策机制,建立基于颜色和形状通道的前馈果蝇神经网络模型。进而,利用梯度下降法训练网络模型的参数,获得用于图像分类的果蝇神经网络算法。比较性的数值实验结果显示,基于果蝇视脑神经信息处理与学习机理探讨果蝇神经网络是可行的,且应用于彩色图像分类是有效的。2、鉴于现有能见度实时预测模型复杂、模型参数量大且预测精度低,基于果蝇视脑神经系统的信息处理机制,提出含自适应权重滤波器的改进型前馈果蝇神经网络,随后基于惯性动量及梯度,建立参数更新规则,获得用于实时能见度预测的果蝇神经网络模型与算法。计算复杂度分析表明,该算法的计算代价主要由其输入分辨率确定。比较性的实验结果表明,此算法用于时间序列能见度实时预测是可行的,且具有较好的潜在应用价值。3、针对上述能见度预测果蝇神经网络对时间序列的平稳性要求高、算法对能见度突变环境的适应能力弱的问题,将深度学习中堆叠层结构设计、混合空洞卷积的思想融入到此神经网络模型中,增强图像特征信息的提取能力,获得基于混合空洞卷积的前馈果蝇神经网络模型。进而,借助共轭梯度下降法建立参数更新规则,获得基于共轭梯度下降的混合空洞卷积果蝇神经网络模型与算法。实验分析表明,该算法在能见度预测的精度及普适性方面具有明显优势,能克服因能见度的突变而引起能见度预测的自适应能力差的问题。