深度学习是机器学习领域中最热门的研究课题之一,是由Hinton等人于2006年提出的。它作为一个出色的机器学习模型,一经提出就受到了研究人员的青睐,引起了该领域的研究热潮。而卷积神经网络作为深度学习分类领域中一种重要的学习模型,也引起了很多研究者的兴趣。它是一种前馈神经网络,是深度神经网络的一种特殊形式。实验数据表明,卷积神经网络是处理图像和视频识别分类的一种非常有效的网络模型。然而卷积神经网络的结构极大地受到卷积核数目的影响。网络结构中的卷积核数目过多,会造成训练参数过多,因而造成网络训练时间成本的增加,极大地浪费计算机资源,而且容易引起过拟合。卷积核数目过少,会造成数据训练不足,影响最终的结果。所以,如何选取最优的卷积网络结构是很重要的,而如何快速确定卷积核的最优数目仍然是一个急需解决的问题。基于所提出的问题,本文运用了基于权值修正幅度的分析方法和基于卷积核中权值之间的相关性分析方法来优化卷积神经网络中的卷积核数目。实验表明,基于权值修正幅度的分析方法具有很大的不稳定性,一方面,它受到卷积神经网络中不同卷积层的影响,因为每个卷积层对网络性能的影响不同,另一方面,它受到误差反向传播的影响,因为训练过程中,有很多次的反向误差传播,每一次的反向传播都会对卷积核权值进行修正,无法判断具体哪一次的反向传播更具有参考性;而卷积核权值之间的相关性分析方法更具有参考价值,通过实验我们看到卷积核权值之间的相关性阈值只受到卷积核尺寸大小的影响,而不受不同数据集的影响,相关性阈值与卷积核数目之间确实存在着联系,实验结果表明,卷积核权值之间的相关性是优化卷积神经网络结构的一个重要的影响因素。