深度学习是近年来受到广泛关注的热门研究方向,也是人工智能领域发展的重要基石。深度学习的本质就是通过含多隐层的人工神经网络,使计算机组合低层的本质特征进而得到更为抽象的高级属性或特征,从而发掘出数据的分布式特征表示的学习方法,并且具有良好的泛化能力。卷积神经网络是深度学习中使用较为广泛的经典学习框架,由于其权值共享和局部连接的框架结构以及池化操作可以极大地降低模型的复杂度并减少权值参数的数量,同时模型对于输入数据的特征具有一定程度的平移、缩放不变性,卷积神经网络在图像的特征提取、分类及语义分割方面有着优秀的表现。卷积神经网络框架中主要包含卷积层、池化层和全连接层等,每一层都在整个特征学习过程中发挥着重要的作用。本文主要针对卷积神经网络中最核心的卷积和池化操作进行了以下研究:首先,对卷积神经网络中深度的作用进行实验探究,通过对比性实验证明了多隐层网络的优势。对目前较为主流的标准奇数大小的卷积核进行分解,构建了由偶数大小的卷积核组成的神经网络框架,并分析证明了其实际应用的优势及可行性。根据目标特征的性质提出了初始卷积核的选取规则,证明了预训练步骤的非必要性。其次,对不同的上采样方法进行对比研究,通过实验数据证明了位置信息和反卷积步骤对于整个上采样效果的影响,进一步证明了近邻值上采样方法的优势。