钟彩 彭春富 杜微 杨兴耀

摘   要：针对深度研究的项目特点，文章对卷积神经网络结构的研究现状进行分析，总结卷积神经网络结构及优化算法。旨在通过对这些内容的分析，针对红细胞图像提取特征，设计群优化算法的卷积神经网络结构，以提高图像检测的科学性、准确性，展现深度卷积神经网络的识别算法技术的使用价值。

关键词：卷积神经网络;识别算法;深度研究

在人工智能技术发展中，深度学习作为较为重要的内容，改变了传统识别技术的使用状况，通过大数据资源的利用，展现深度学习模型中神经网络识别的价值。在图像识别技术运用中，其作为一种不同模式下的目标、对象研究技术，主要是通过计算机对图像进行处理，提高数据分析的整体效果。在以往的特征提取技术运用中，存在着一些局限性的问题，通过与卷积神经网络（Convolutional Neural Networks， CNN）模型的融合，可以在梯度下降方法使用中进行各项数据参数的训练，并实现对图像以及参数的分析，展现深度分析的价值。因此，在当前人工智能技术中，运用卷积神经网络的识别算法，可以提高图像识别的整体效果。

1    卷积神经网络结构研究现状

卷积神经网络模型算法主要由多个卷积层、下采样层和全连接层组成，每一次的输出是对原始输入的一组特征表示。其中在卷积层，通过一个卷积核对来自上一层的特征图进行卷积，然后通过一个激活函数得到卷积层的输出特征图，激活函数使用sigmoid函数。……