最近的研究方法将深度神经网络（DNNs）解释为一个动力学系统,将神经网络的正向传播稳定性与泛化联系起来。在本文中,我们进一步在不改变DNNs原有结构的情况下,率先加强了其正向传播的稳定性,并从各个方面验证了增强正向传播稳定性对网络表示的影响。更具体地说,我们通过建立一个DNN的吸引子动力学模型来加强稳定性,并提出了relu-max吸引子网络（RMAN）,一个易于接入在类ResNet网络上的轻量级模块。RMAN只在训练过程中需要接入网络,通过最小化一个能量函数和原始学习任务的损失函数来改变网络正向传播的吸引子动态。通过深入的实验,我们证明了经过改进的吸引子动态的ResNet及其变体拥有更结构化的特征表示空间,更重要的是由于增强了正向传播的稳定性,类ResNet网络在监督任务中的泛化能力得到提升。在前面探究的网络性质的基础上,本文继续研究了深度学习在视频物体检测中的应用。由于帧质量下降,视频对象检测比图像对象检测更具挑战性。为了增强特征表示,目前主流的方法是通过对齐和聚合来自多个附近帧的整个特征图,将时间信息传播到确定的帧中。但是,由于卷积特征图的低存储效率和时序信息无法长久保存的缺点,这些方法不能保证长时记忆的保存。在本文中,我们提出了第一个用于在线视频物体检测的以物体为导向的外部记忆网络。基于以物体信息为导向的硬注意力机制,时序信息的存储效率得到提高,并且当长时记忆存储在可寻址的外部记忆矩阵中时,长时记忆可以得到有效的保护。一组读/写操作旨在在物体信息的导向下准确地传播/保存和删除多级外部记忆。我们在ImageNet VID数据集上评估了我们在本文中提出的方法,并获得了超过同期方法的性能以及良好的速度精度平衡。此外,通过可视化外部记忆,我们详细的展示了依赖于外部记忆网络进行长时记忆传播的物体检测推理过程。本论文的研究内容如下:·我们深入研究了深度神经网络的稳定性以及深度神经网络中的注意力机制,并在大量数据集进行了实验。·我们在特征点积相似性和动态系统的基础上,探究了深度学习网络的性质,提出了增强网络稳定性的吸引子模块和提高网络稳定性和泛化能力的通用模块。·在点积相似性和对网络性质研究的基础上,我们进一步在视频物体的深度网络应用中,针对视频物体检测的挑战,提出了以物体为导向的视频物体。