深度学习（Deep Learning）在提高人工智能水平方面起着巨大的作用,其中卷积神经网络（Convolutional Neural Network,CNN）凭借其“稀疏连接”与“参数共享”的特性,具有较好的自学习能力和鲁棒性,因而被广泛应用于如图像分类、目标检测等领域。作为一种数据驱动的端到端特征提取技术,在各类数据样本急剧增大的同时,卷积神经网络的模型结构也愈发庞大且复杂。与此同时,这种从数据中学习特征的形式也存在一定的“黑盒”特性,即人们难以理解模型内部的预测逻辑,缺乏一定的可解释性。因此,对卷积神经网络模型的可视化分析、模型结构的优化以及与可解释性模块的结合研究,都是在一定程度上帮助人类理解其内部逻辑,同时这些方法也对卷积神经网络模型的收敛速度、模型复杂度以及识别精度等都有重要影响。本文在探讨可解释性模块与传统卷积神经网络相结合方式的基础上,提出了基于二维小波变换的卷积核代替传统卷积神经网络第一层卷积核的方法,并在图像分类场景下验证了该方法对卷积神经网络所带来的影响,具体的研究内容以及创新点如下:1、本文基于小波变换理论,对二维连续小波进行离散采样,将传统卷积神经网络的第一层卷积层替换成本文所设计小波卷积模块（Wavelet Convolutional Module,WCM）,用该小波卷积模块对输入图像进行特征提取,并针对小波卷积模块中的伸缩因子和平移因子引入一种选择性参数初始化方法,手动对伸缩和平移因子进行参数设定。在此基础上,设计搭建了2D-WCNN（Two-Dimension Wavelet Convolutional Neural Network）模型,在图像分类场景下,用Dog-vs-Cat数据集和PASCAL-VOC数据集验证了2D-WCNN模型的性能,具体对比了不同的母小波函数（Mother Wavelet）以及小波卷积模块中卷积核尺寸的影响。实验结果表明,本文所设计的2D-WCNN模型相比传统卷积神经网络有着更优的性能,在Dog-vs-Cat数据集上准确率最高提升了4.9%,在PASCAL-VOC数据集上准确率最高提升了7.05%。2、进一步的,为了弥补小波卷积模块中伸缩和平移因子手动设定且不可训练所存在的缺陷,优化模型训练所需的时间开销,基于卷积神经网络的反向传播（Backpropagation）算法,提出了自适应小波卷积模块（Adaptive Wavelet Convolutional Module,AWCM）,使伸缩因子和平移因子同时受网络模型反向传播的迭代而更新。在此基础上,将改进的自适应小波卷积模块替换传统卷积神经网络的第一层卷积层,且减少了其卷积核维数（即通道数）,设计搭建了2D-AWCNN（Two-Dimension Adaptive Wavelet Convolutional Neural Network）模型,在图像分类场景下验证了2D-AWCNN模型提取图像特征的良好性能。实验结果表明,相比传统卷积神经网络模型,2D-AWCNN模型在Dog-vs-Cat数据集上准确率最高提升了5.76%,在PASCAL-VOC数据集上准确率最高提升了9.01%。本文基于可解释性模块原理,提出的二维小波变换与卷积神经网络相结合的方式在图像分类场景下得到了验证,可解释性模块的设计在一定程度上为卷积神经网络提供明确的语义的同时,实验结果也证明能有效地提高模型的性能,本文设计的基于二维小波变换的卷积神经网络模型在Dog-vs-Cat数据集和PASCAL-VOC数据集上均取得了良好的效果,有着更快的收敛速度和更高的识别准确率。