可微分架构搜索（DARTS）可高效、自动地设计神经网络架构，但其超网络的构建方式与派生策略的设计之间存在性能“鸿沟”。针对上述问题，提出了优化搜索空间下带约束的可微分神经网络架构搜索算法。首先，以候选操作关联的架构参数为量化指标来分析超网络的训练过程，发现在派生架构中未生效的候选操作none占据了权重最大的架构参数，从而导致算法搜得的架构表现欠佳，针对该问题设计了优化的搜索空间；然后，分析了DARTS超网络与派生架构之间的差异后，以架构参数为基础定义了架构熵，并把架构熵作为DARTS超网络目标函数的约束项，从而促使超网络缩小与派生架构的差异；最后，在CIFAR-10数据集上进行了实验。实验结果表明，所提算法在其中搜得的架构取得了97.17%的分类准确率，综合准确率、参数量和搜索时间优于对比算法。所提出的算法是有效的，提升了搜得架构在CIFAR-10数据集上的准确率。

为实现亮度不均的复杂纹理背景下表面划痕的鲁棒、精确、实时识别，提出一种基于深度神经网络的表面划痕识别方法。用于表面划痕识别的深度神经网络由风格迁移网络和聚焦卷积神经网络（CNN）构成，其中风格迁移网络针对亮度不均的复杂背景下的表面划痕进行预处理，风格迁移网络包括前馈转换网络和损失网络，首先通过损失网络提取亮度均匀模板的风格特征和检测图像的知觉特征，对前馈转换网络进行离线训练，获取网络最优参数值，最终使风格迁移网络生成亮度均匀且风格一致的图像，然后，利用所提出的基于聚焦结构的聚焦卷积神经网络对生成图像中的划痕特征进行提取并识别。以光照变化的金属表面为例，进行划痕识别实验，实验结果表明：与需要人工设计特征的传统图像处理方法及传统深度卷积神经网络相比，划痕漏报率低至8.54%，并且收敛速度更快，收敛曲线更加平滑，在不同的深度模型下均可取得较好的检测效果，准确率提升2%左右。风格迁移网络能够保留完整划痕特征的同时有效解决亮度不均的问题，从而提高划痕识别精度；同时聚焦卷积神经网络能够实现对划痕的鲁棒、精确、实时识别，大幅度降低划痕漏报率和误报率。