卷积神经网络在计算机视觉领域占据重要地位。为获得一个高性能的网络模型,许多研究致力于卷积神经网络的优化方法。从卷积神经网络的训练角度出发,模型的性能会受到训练中常见问题如梯度消失问题、梯度爆炸问题和鞍点问题的影响。从结构设计角度考虑,合理的卷积神经网络需要具备优秀的特征提取能力,而其能力的强弱很大程度上取决于网络中神经元之间的连接模式。从这两个角度入手,本文对一类面向卷积神经网络的训练与结构优化方法进行了研究,涉及到的三个工作呈列如下。（1）为有效缓解和处理卷积神经网络训练中常见问题,如梯度消失、梯度爆炸和鞍点问题,本文提出了应用在训练过程中的激活梯度（Activated Gradient,AG）算法,并基于AG算法进而将普通卷积神经网络模型改良为一类激活梯度的卷积神经网络（Activated Gradient Convolutional Neural Network,AG-CNN）。AG算法的核心理念是使训练过程中的梯度按一定的关系进行映射。将AG算法嵌入到训练使用的优化器中,使得在卷积神经网络优化过程中的梯度不会过大或过小,能够持续地以一个合理的范围更新网络的权值,进而提高模型的性能。本文通过数学理论严格地证明了所提AG算法缓解和处理梯度消失问题、梯度爆炸问题和鞍点问题。此外,在CIFAR、Image Net和PASCAL VOC数据集上进行了使用嵌入AG算法优化器的前后对比实验。实验结果表明嵌入AG算法的优化器能够使得模型获得更好的权值,进而提高了卷积神经网络模型的性能。（2）为解决卷积神经网络在浅层部分特征提取效果较差的问题,本文提出了采用组合激活函数的方法来解决该问题。本文在随机连线卷积神经网络（Randomly Wired Convolutional Neural Network,RW-CNN）进行了浅层结构的改进。具体来讲是在原始RW-CNN基础上提出了两种组合激活函数来替代原激活函数的方案。为了验证所提方案的有效性,RW-CNN应用在脑肿瘤的诊断任务中。激活函数组合的方案通过保留网络浅层的特征信息进而改进了模型,并使RW-CNN模型的在脑肿瘤分类准确率提高了约0.5%-1.0%。实验结果验证了该模型的实用性和有效性。并且基于脑肿瘤诊断数据,进行了改进后的RW-CNN与其他经典的卷积神经网络的对比实验。结果表明,改进的RW-CNN模型在脑肿瘤的诊断任务中具有优良的性能。此外,RW-CNN模型的应用成功地为神经网络的构建提供了一种新的思路和方法,同时也丰富了医学图像分析的人工智能方法。（3）为探索更多的卷积神经网络结构中连接模式的设计方法,本文提出一种利用秀丽隐杆线虫神经元的连接组来构建卷积神经网络的方法。所提出的线虫连接组卷积神经网络（Nematode Connectome Convolutional Neural Network,NC-CNN）的网络结构主要是依据生物连接组中神经元间的连接模式进而构造卷积层。此外,本文给出了NC-CNN的详细转换方法和具体实现算法。并且还在CIFAR和Image Net数据集上进行了大量的实验来评估NC-CNN模型在图像分类方面的性能。实验结果证明了NC-CNN模型在模型参数量差别不大的情况下优于一些经典的人工设计的网络。该模型的有效性表明,基于生物神经连接体设计神经网络连接模式是可行的,并且为卷积神经网络的结构设计展现了新的考虑角度。