深度学习在图像识别、语言建模、机器翻译等复杂任务上展现出了巨大的优势。然而,这些任务的成功大多得益于针对特定任务而人工设计的专用神经网络架构。人工设计神经网络架构会耗费大量的时间,不仅需要反复测试,而且需要设计者拥有一定的专业知识和设计经验。鉴于此,越来越多的研究者开始探索神经网络架构搜索的方法。在该研究领域,大多相关工作采用如下流程:首先定义搜索空间,限制算法可以搜索的网络范围;通过强化学习、神经进化等搜索方法不断采样搜索空间得到网络架构;借助性能评估策略得到网络架构的性能度量指标,并反馈给搜索方法;通过采样和评估的不断迭代最终得到最优的网络架构。在众多神经网络架构搜索方法中,基于梯度的架构搜索方法由于其高效性得到更多专家学者的青睐。然而,大多数基于此的研究都是对算法的优化或是性能评估策略的改进,忽略了对搜索空间的探索。鉴于此,本文提出一种在神经网络架构搜索中实现层次模块化表示的方法以进一步探索搜索空间。本文提出的神经网络架构搜索方法称为基于可微架构搜索的层次模块化表示方法(HMR-DARTS)。该方法采用通用的8种操作作为初始操作,使用P_DARTS算法在初始操作中演化得到第一层级模块,将得到的第一层级模块作为第二层级搜索的初始操作进而得到更加复杂的二级模块,最后,使用二级模块组成最终的网络。为了验证算法的有效性,我们使用了图像分类的基准数据集CIRAR-10,并将不同层级的网络性能进行对比。同时,也将不同类型的神经网络架构搜索算法进行比较。实验结果表明,HMR-DARTS算法与目前最先进的神经网络架构搜索算法相比有较强的竞争力,在CIFAR-10数据集上与P_DARTS算法相比平均提高了0.06%的准确率。