近年来,深度学习迅猛发展,在各个领域都取得了不俗的表现。深度学习拥有能够拟合大量数据的能力,通过逐层提取,深度神经网络在不同层提取不同的数据特征,但同时深度神经网络的训练需要的大量数据、计算力与技巧。鉴于深度神经网络的特点,亟待进行不同层特征的分类和计算力节约的研究。首先,本文对人工神经网络的基本结构和学习方法进行了说明,并对常见的卷积神经网络(Convolutional Neural Networks,CNN)模型进行了具体的解构,同时介绍了几种主流的深度学习框架。其次,本文研究了 CNN与支持向量机(Support Vector Machines,SVM)混合模型的特征分类结构,提出一种CNN增强模型,利用CNN中间层的特性,在原始CNN结构上添加一层增强的CNN结构,在节约计算力的同时提升精度,以CIFAR-10、Scene15数据集分别验证增强CNN模型的有效性。同时,本文分析不同决策融合与特征融合策略,着重在GoogLeNet模型上进行不同融合策略的研究,在MIT indoor scene和Stanford dogs数据集上验证不同策略的有效性,并就融合后的特征维度过高的问题进行了特征压缩的研究。最后,本文研究级联CNN特征分类在人脸检测的上的应用,并针对人脸候选框的生成方式进行改进,将部分人脸数据运用在人脸候选框的生成阶段中,并去除第二阶段网络的全连接层以加速网络分类速度,并在FDDB和AFW数据集上验证其有效性。