卷积神经网络作为深度学习研究中的一条重要分支,近几年来在图像识别和分类任务中表现十分优异,被广泛应用于很多领域,让人们的生活更加智能化。比起探究如何在更广泛的范围内应用卷积神经网络,理解卷积神经网络是更很重要的一个研究方向。只有理解了卷积神经网络才能有针对性地在网络结构、训练方法等方面改进或优化卷积神经网络。本文针对多分类任务的研究包括两个方面,第一点是从距离度量的角度评价卷积神经网络的训练过程。第二点是根据第一点的分析结果改进卷积神经网络的训练,达到充分利用训练数据和使得网络分类准确率变得更高的目的。在卷积神经网络的评价工作上,本文利用三个距离度量值指标C-index、类间距离和DB-index在训练过程中的变化来理解卷积神经网络的训练过程。结合网络深层特征之间的距离关系,我们总结出了神经网络在训练过程中,随着训练次数的变化在不同层上的距离度量的变化特征,并以此为基础去改进卷积神经网络的训练。在改进卷积神经网络训练的工作中,一般的方法是调整参数,但调整参数需要足够的经验。参数的不同组合充满随机性,不能保证训练数据的充分利用。本文为了避免这种随机性带来的时间消耗,基于距离度量提出了一种改进的卷积神经网络训练方法。在分类任务中,类间的距离度量与分类准确率有密切联系,分类准确率低意味着对某些类别的训练不够充分。本文提出的改进方法将训练分为三个阶段,包括基础训练,特殊训练,全局训练。从基础训练中利用距离度量可以得到训练不充分的类别,在基础训练后得到的初始模型上对不充分的类别进行特殊训练,使得模型加强对这部分类别的学习,得到特殊训练模型。全部类别的数据将会在特殊训练模型的基础上进行全局训练,最终得到分类准确率更高的分类模型。这种方法在训练过程中充分利用了训练数据,能有效提升分类准确率。实验表明本文中改进的卷积神经网络训练方法不仅适用于简单数据集,在相对复杂的数据集和网络的训练中也表现优异。