深度神经网络模型在图像分类和目标检测等计算机视觉相关任务中取得了令人瞩目的成就。网络的架构是一个深度神经网络模型是否能够高效的训练和应用的基础,也是促成这一成就背后的主要驱动力之一。现有的高性能神经网络架构通常由具有丰富专业知识的人类专业手工设计,需要尝试大量不同的超参数和网络结构参数,并进行长时间的调优。随着信息时代的来临,数据的形式和来源日益丰富,为不同数据场景设计定制网络架构是整个深度神经网络模型开发过程中的一个重要挑战。深度神经网络架构搜索（Neural Architecture Search,NAS）将网络架构的设计建模为一个优化问题,为网络架构设计提供了一种自动化的解决方案,通过算法自适应的更改网络架构的组件,实现在特定数据集上的性能提升。尽管NAS方法的研究取得了显著的进展,但仍存在一些重大挑战,特别是执行探索性神经结构搜索所需的大量的计算资源。本文基于进化计算的相关理论和机制,聚焦于进化神经网络架构搜索算法的计算效率和性能提升,提出了多个新颖的搜索算法。本文的主要研究工作和贡献如下:（1）针对在进化优化过程中,个体的适应度值评估计算成本过高的问题,提出了基于采样训练和节点继承的进化神经网络架构搜索算法（SI-Evo NAS）。在父代种群,通过采样训练的方式使得每个节点获取训练权值。之后,通过节点继承的方式生成子代种群,子代种群可以直接从父代种群继承相应节点的权值作为初始权值,无需任何训练即可评估其适应度值,进而避免了昂贵的个体训练过程。此外,提出了一组轻量级多尺度特征重构卷积算子,并将其集成到算子搜索空间中。所提出的多尺度特征重构卷积算子可以通过算法自适应的集成到神经网络架构中,提高神经网络架构的性能。实验结果表明,所提算法不仅搜索效率高,而且具有很好学习性能。（2）针对直接搜索神经完整神经网络架构计算成本过高的问题和One-shot NAS中的“多模型遗忘”问题,提出了基于部分权值共享策略的完整神经网络架构搜索算法（Evo-OSNAS）。首先,Evo-OSNAS提出一种新的节点编码方案,直接编码完整神经网络架构。基于此,提出了一种基于进化机制的部分权值共享策略,生成的子代个体可以共享两个父代个体的权值或者仅共享单个父代个体的权值,限制了权值共享的范围,在一定程度上克服了“多模型遗忘”问题。此外,Evo-OSNAS在搜索空间中编码了一组金字塔卷积算子,在单次卷积计算中可以使用不同大小的卷积核,用于同时捕获细节和全局特征信息,提高模型的特征处理能力。Evo-OSNAS算法能够不借助任何代理指标直接基于给定的数据集设计完整神经网络架构。在不同规模的公共数据集上的实验结果表明,所提算法搜索到的神经网络架构表现出具有竞争力的分类性能。（3）提出一种面向目标检测问题的进化神经网络架构搜索算法（Evo Det）,用于搜索目标检测模型的主干网络架构。针对每个个体的Image Net预训练计算成本极高的问题,提出了一种个体参数映射策略,可以将预训练好的教师网络的预训练权值映射至每个个体（学生网络）,进而避免了每个个体的Image Net数据集预训练的过程。此外,设计了一种个体分布式训练策略,通过将种群中的个体并行放置在不同的GPU中并同时训练它们,减少了不同GPU之间通信消耗的负面影响,提高了计算资源的利用率和种群适应度评估的效率。实验结果表明,Evo Det不但可以高效的搜索到性能优秀的主干网络架构,且生成的主干网络架构具有较好的迁移性能。（4）最后,论文在分析生物医学影像分类问题和纺织物瑕疵点检测问题基础上,提出利用进化神经网络架构搜索算法在不同数据场景下搜索神经网络架构。实际的数据集上的测试结果表明,所提算法可以针对不同数据集定制神经网络模型,并且可以获得有竞争力的分类性能和检测性能。