深度學習是多層神經網絡運用各種學習算法解決圖像、文本等相關問題的算法合集。卷積神經網絡作為深度學習的重要算法，尤其擅長圖像處理領域。卷積神經網絡通過卷積核來提取圖像的各種特征，通過權值共享和池化極大降低了網絡需要訓練的數(shù)量級。本文以MINST手寫體數(shù)據(jù)庫為訓練樣本，討論卷積神經網絡的權值反向傳播機制和MATLAB的實現(xiàn)方法；對激活函數(shù)tanh和relu梯度消失問題進行分析和優(yōu)化，對改進后的激活函數(shù)進行訓練，得出最優(yōu)的修正參數(shù)和學習速率。

　　卷積神經網絡最早是由Yann Lecun 提出用于手寫數(shù)字識別，近年來在語音識別，自然語言處理等方面，均取得重大突破。卷積神經網絡在傳統(tǒng)神經網絡的基礎上，最重要的改進是局部感知、權值共享，卷積神經網絡中的卷積層有若干個特征地圖（Feature Map）構成［2］。每個feature map由若干神經元組成，代表著提取出的圖像特征，這些神經元通過同一個卷積核（權值）去卷積圖像而獲得，即這些同一個feature map共享同一組權值，權值共享機制大大減少了神經網絡需要訓練的參數(shù)量級，例如識別一個1000 × 1000的圖像，假設隱藏層有1 M即106個神經元，那么傳統(tǒng)神經網絡采用全連接方式需要訓練的參數(shù)個數(shù)為106 × 1000 × 1000，即1012 （2 G）個參數(shù)，顯然這個計算數(shù)量級非常龐大。而采用卷積神經網絡，假設同樣設置隱藏層有1 M個神經元，每個神經元采用10 × 10大小卷積核去感知圖像的固定區(qū)域，那么這種方式需要訓練的參數(shù)為106 × 10 × 10，即108 （100 M）個參數(shù)，卷積神經網絡局部連接的算法，一方面降低了需要訓練的參數(shù)量級，另一方更符合人類神經對于圖像的認知，即先感知局部，再到全局