深度卷积神经网络(CNN)在解决复杂的图像分类问题上已被证明是有效的,但其结构的设计却具有一定的挑战性。许多学者依靠其丰富的CNN结构设计经验,设计出了许多性能良好的模型来解决特定的图像分类问题。但CNN结构的设计对于普通的用户而言却具有极大的难度和学习成本,如何针对不同的图像分类任务快速地构建出一个最优的CNN结构,且不要求用户对CNN领域有深刻的认识,是一个对人工智能的发展有着很强现实意义的研究。本文探索粒子群优化算法在CNN结构搜索上的应用,针对CNN结构的复杂性提出了一个分段压缩编码策略,可以将一个完整的CNN结构配置映射于PSO的搜索空间中,并引入了量子思想对粒子的进化策略进行改进,提高了进化效率,还针对粒子群优化算法的局限性提出了二进制编码策略,提高范化能力,这是一个用粒子群优化算法来构建CNN结构的完全自动化方法。本文具体工作如下:(1)为了将复杂的CNN结构映射于粒子群优化算法的搜索空间中,本文提出了分段压缩编码策略,使得一个粒子个体能够承载整个CNN结构的配置,从而有效地降低了搜索空间的大小。利用该策略,本文设计出了一个基于粒子群优化算法的CNN结构搜索方法。在对比实验中,该方法在能够在有限的迭代次数下快速搜索出一个性能良好的CNN结构,在MNIST和MRDBI两个数据集上的分类准确度均大于许多人工设计的CNN结构。(2)针对搜索过程中产生许多无效CNN结构的问题,本文提出了一个针对CNN结构的量子多次测量方法加以改进,能够在不增加计算代价的情况下有效地降低了搜索过程中产生的无效CNN结构的数量。改进前后的方法在数据集MNIST、MRDBI及CS上进行对比实验,结果表明改进后的方法有更大的搜索能力,搜索出的CNN结构能够获得更好的分类准确度。(3)本文详细分析了粒子群优化算法在CNN结构搜索问题上的局限性,提出了一个基于二进制的量子粒子群优化算法的CNN结构搜索方法,将CNN结构搜索问题转移到了离散搜索空间中,其二进制编码的特性使得量子的不确定性得到了充分发挥。在对比实验中,所提出的方法在不同复杂度的MNIST变体数据集上均表现最为突出,并且数据集的复杂度越高其领先竞争者的优势越明显。