深度学习网络,因其具有强大的学习与表达能力,目前已被广泛运用在语音识别、自然语言处理等领域。其中网络结构是深度学习应用的基础。研究新型的网络结构是目前研究的主流,是突破现有网络局限性的关键,对于推动深度学习网络的发展具有重要意义。现有的深度学习网络模型,经历了一个以数据拟合为目标,由浅层到深层的发展过程,其发展目前面临以下瓶颈:首先,近年来在大多数任务中,深度学习网络性能提升极其有限。其次,训练好的神经网络仅能够在特定数据集上表现优异,而在新的数据集上很难进行泛化,在学习能力方面呈现出一定的封闭性。例如用全连接网络完成算术加法任务,只能在规定的数据集内进行,而无法泛化到更多的位数。这就极大限制了神经网络在实际中的应用。因此,提出新的网络结构模型,成为突破现有架构约束的关键。为此本文开展了基于脑启发式学习的视觉运算研究,以视觉运算为任务,构建了脑启发式学习网络。该网络在视觉运算任务中,显示了极强的泛化性,表明将人类定义好的知识与规律整合到神经网络之中是可行的。这种网络结构的构建,打破了现有网络数据驱动的现状,将规则驱动引入神经网络的构建之中。本文主要创新点如下:首先,针对传统网络进行大数相加任务训练无法收敛的问题,提出了对标签按位标注的网络改进方案。在大大缩短训练时间的同时,解决了大数相加问题,扩展了传统网络的运算区间。其次,针对传统网络无法完成乘法任务的问题,提出了对标签按位标注以及在网络中间增加辅助标签的网络改进方案,完成了乘法运算任务,突破了传统网络无法完成乘法任务的局限。最后,针对传统网络泛化性差,无法解决除法任务的问题,提出了将人类归纳的四则运算规律整合到网络设计之中的方案,划分了视觉、运算和显示三个模块,构建了加法元、乘法元、比较元三个元结构来完成视觉运算任务。实验结果表明,网络完成视觉运算任务的准确率为100%,且能泛化到任意位数的算术运算。本任务是一个将规则驱动引入神经网络架构之中的典型案例。