随着人工智能时代的来临,深度学习技术不断推陈出新。在计算机视觉领域,深度网络的使用日益广泛。但当前深度学习技术发展面临的挑战有二:一是其网络架构中缺少对预测结果的不确定性度量,从而在实际应用中常因模型过于自信的表现导致决策失误。二是现实生活中高质量且有标记数据的获取成本较高,而深度学习依赖大量的训练数据。本文直面上述挑战,开展贝叶斯深度网络的理论研究,并将其付诸实践,分别在图像去噪任务和图像分类任务上进行实验。论文的主要结果如下:(1)从数学角度出发,系统且详细地推导了贝叶斯深度网络的理论框架。(2)为了理解模型中的不确定性信息,本文分别基于认知不确定性、偶然不确定性、混合不确定性设计贝叶斯深度网络并展开去噪实验。实现了深度去噪模型输出干净图像的同时给出不确定性的示意图,从而指导后续优化方向。对比传统网络,建模后的网络模型的精度都得以提高。(3)本文结合主动学习框架与贝叶斯深度网络,旨在实现少量标记数据训练出高精度的模型。基于不确定性理论推导适用贝叶斯深度网络的最大熵采集函数、交互信息采集函数以及最大变化率采集函数并做对比实验。与确定性的主动学习深度网络相比,贝叶斯主动学习深度网络的可以实现利用数量有限的标记数据训练高精度模型。