卷积神经网络在各领域的应用十分广泛,尤其在图像分类问题上取得了很高的准确率。然而设计一个好的网络需要手动设定大量超参数。这些超参数的取值范围庞大、组合方式多样,需要依靠大量的手工试错来寻找合适的值。因此,如何设计一种高效的、能够自动选择超参数的方法极具挑战性和意义。本文设计了一种改进型粒子群算法来优化卷积神经网络的超参数。该算法包含类适应的超参数粒子化编码方法,高效粒子搜索策略和卷积神经网络的设计与优化方案三部分。围绕这三部分内容,本文首先根据不同种类超参数的特点,分别提出了相应的编码方案:对于结构型超参数,要求粒子能够表达block的结构信息,并保证结构的多样性;对于数值型超参数,用粒子的每个维度编码一类超参数,保证了不同超参数的多种组合方式。然后,引入了范围适应的学习因子和基于云模型的最差粒子替换算法,提高了粒子的搜索能力;针对超参数优化任务上fitness计算成本过高的问题,提出了基于最小二乘法的粒子性能预测算法。最后,本文阐述了卷积神经网络超参数的设计与优化方案,使粒子群算法不仅可以优化确定结构的卷积神经网络超参数,也可以设计新的网络结构。本文通过一系列实验分析了所提出的算法。然后将算法分别应用于几种典型的卷积神经网络,针对图像分类、语音识别、文本识别三类问题分别进行了实验。以图像分类任务为例,经过本文所提算法优化后的网络,准确率最高提升13.41%,最小提升1.14%,相与目前最好的优化算法提高了 5.38%。之后,将本文算法与当前广泛使用的卷积神经网络结构优化算法MetaQNN和NAS进行了对比。以图像分类任务为例,本文算法比MetaQNN提高了 1.52%。虽比NAS v3低1.4%,但优化时间和使用资源分别减少了 4倍和100倍。实验证明本文算法不仅在准确率上优于同类算法,在优化成本上也大大减少。