近年来,卷积神经网络（Convolutional Neural Networks,CNN）在人工智能领域的多种任务上取得了巨大的进步,例如图像识别、语义分割和文本分类等。在CNN的模型训练中,超参数的设置依赖于参数调整人员的长期经验和主观判断给出,而且超参数的质量决定模型的最终效果,选择质量差的超参数意味着模型的失败,这导致花费的时间将大大提升。因此,卷积神经网络的超参数择优问题是目前急需解决的问题。为了解决这些问题,本文深入研究了证据推理规则（Evidential Reasoning Rule,ER rule）的CNN超参数质量评估方法,主要研究内容包括:通过对CNN超参数质量和模型质量之间的关系进行分析与研究,提出了基于ER rule的CNN超参数质量评估方法。该方法首先把超参数看作待评估的指标,并探讨了指标的选取方法和转化置信度方式,然后根据超参数与模型之间的关系构建了指标权重的动态更新方法,根据专家知识与历史数据构建了指标的可靠度,通过证据推理规则算法把所有的指标融合评估获得预测的结果,最后通过鲜花图像识别实验验证了该方法的有效性。实验结果表明该方法通过有效地评估超参数的质量,能够与模型的效果建立映射关系,从而为参数调整人员提供有效的超参数过滤作用。通过对定性数据类型的超参数转化置信度的研究,发现该类型超参数难以以精确的概率表述其包含的所有信息,存在模糊性,因此提出了基于IER rule的CNN超参数质量评估方法。该方法首先采用了区间概率表达定性数据类型的超参数转化置信度时包含的不确定性,然后通过合理地构建指标的权重和可靠度,把ER rule与区间测度理论相结合,利用IER rule算法融合所有的指标获得评估结果。最后,实验结果表明该方法拥有更高的评估准确度和对定性超参数拥有更强的解释性。为了进一步把基于ER rule和基于IER rule的CNN超参数评估方法应用于实际任务中,本文设计与实现了CNN超参数质量评估系统原型。在该系统中,通过人机交互模块提供了与用户交互的界面与评估入口,通过数据处理模块提供了ER rule和IER rule两种方法的置信度转换方法和通过评估算法模块提供了ER rule和IER rule两种方法的评估方式。并通过了实际的评估检验,表明了该系统的有效性。