胶囊网络这一概念一经提出便得到了人们广泛的关注和运用。胶囊网络的理论基础是,人类大脑运行着一种机制,这种机制将低层次的视觉信息传递到它认为能最好处理这些信息的神经元。人类使用胶囊网络模仿这种机制,机器中的胶囊除存储物体的特征信息之外,还可以存储物体的位姿信息(位置、方向、角度),并且胶囊之间的连接方式可以进行信息的不损失传递。胶囊网络在单标签图像分类上有较好的表现,它在MNIST以及Cifar-10等数据集上的分类结果都优于卷积神经网络。但是胶囊网络在更加复杂的数据集或者计算机视觉的其他领域能否也有优异的表现这还未可知。本文针对胶囊网络的这些应用限制做出分析,结合用于多标签图像分类和语义分割的卷积神经网络的特性,改进胶囊网络的结构,使之能够应用于多标签图像分类任务和语义分割任务,且性能上优于卷积神经网络。本文的主要研究工作和贡献归纳如下:1、提出适合于多标签分类的胶囊动态路由方法,通过分散低层胶囊到高层胶囊的激活量,令胶囊网络可以对多个标签进行响应。同时,针对多标签分类任务输入较大的情况,提出将胶囊层嵌入至卷积层之后的方法,消除胶囊层容量不足的限制;并且提出使用概率参数绑定胶囊之间连接的方法,降低胶囊之间的强耦合性,缓解网络的过拟合问题。2、使用胶囊构建对称的编解码结构,设计出用于语义分割的胶囊网络,并提出局部动态路由算法,降低胶囊层之间的连接量,减少语义分割胶囊网络的参数量。针对语义分割网络不能很好地分割边缘部分的问题,提出通用的边缘保存算法,可以通过构造使用边缘保存算法的分支网络,加强网络对目标边缘信息的关注度,提高分割效果。总的来说,本文通过改进原始胶囊网络的结构和动态路由机制,提出了适用于多标签图像分类和语义分割两个领域应用的胶囊网络算法。实验证明,本文提出的算法在多个数据集上的表现优于卷积神经网络,这为胶囊网络将来的扩展和应用铺垫了基础,具有很好的应用前景和科研价值。