近年来,随着深度学习技术的发展,基于深度学习的图像识别应用变得越来越普遍。停车场的车牌识别,小区门禁的人脸识别,手机的刷脸支付等都极大地方便了人们的日常生活。这些应用都得益于学者们不断开发的各种神经网络架构,设计神经网络架构是一个耗时和容易出错的过程,而且神经网络架构的应用也离不开专业人员的重复调试。因此各类能够自动搜索神经网络架构的算法受到广泛关注,其中进化算法正是应用最为广泛的算法之一。遗传算法是一种经典的进化算法,自它被提出以来,世界各地的学者相继提出了各种改进方案用于解决各类优化问题。量子遗传算法作为改进算法中的经典之作,将传统的染色体转变为量子染色体,借助量子染色体的优势,可以有效保持种群的多样性和提高算法的性能。本文在总结相关领域已有成果的基础上,基于量子遗传算法提出了一种新的卷积神经网络架构搜索算法,并且结合评价预估策略和数据预处理技术有效地加快网络架构搜索速度。具体内容如下:(1)提出了基于量子遗传算法的卷积神经网络架构搜索算法。该方法首先通过量子编码将卷积神经网络编码成量子染色体;随后通过量子旋转门对量子染色体进行变异更新,解码训练后找出全局最优解。借助量子编码的特性,该算法可以有效的保持染色体的多样性,有助于避免网络架构搜索过程中陷入局部最优。本算法在图像分类任务上不仅优于许多传统的机器学习算法,而且与传统进化算法搜索神经网络架构的方法相比也具有较强的竞争力。(2)提出了一种基于马尔可夫链蒙特卡洛方法的网络性能评价预估策略。该策略首先通过概率模型拟合网络架构的学习曲线,然后在完成少量训练次数后,借助马尔可夫链蒙特卡洛方法推断网络架构在达到最大训练次数后性能超过当前最优网络架构的后验概率,根据这个后验概率可以提前终止预期性能表现不好的网络架构。实验证明,本预估策略可以在损失极少搜索质量的前提下大幅提高网络架构搜索效率。(3)在量子遗传搜索算法和评价预估策略的基础上,结合相关的数据预处理技术,提出一个完整的卷积神经网络架构搜索算法。在网络架构搜索阶段使用量子遗传算法,在网络性能评价阶段采用评价预估策略以及图像下采样、通道压缩等数据预处理技术。实验表明,本章算法在运行效率和算法性能两方面都优于传统的卷积神经网络,而且还可以在不影响架构搜索质量的前提下大幅提高神经网络架构搜索效率。