2012年,AlexNet在斯坦福大学举办的ImageNet竞赛上取得了远超传统方法的成绩,并以此开启了深度学习的浪潮。时至今日,深度学习已经在各种任务上取得了巨大的进步。在计算机视觉领域,以卷积神经网络为代表的深度网络几乎包揽了图片分类,物体检测,物体分割等各类任务的第一名。然而,由于传统的卷积神经网络体积庞大,其本身运行效率低下以及结构修改难度较高等问题逐渐成为深度学习进一步普及的障碍。在此背景下,本文提出通过合理地分配输入数据,可以充分利用不同模型自身的特性,降低网络运行的时间成本,同时也可以提升特征学习的效果。具体工作如下:我们提出一种适应性输入的方法以便于更好地平衡物体检测过程中的速度和准确率。通过动态地确定输入图片的属性,我们可以选择相对应的速度较快或者准确率较高的检测模型来获得检测结果。实验表明,我们的方法可以在保证检测准确率的前提下,最多提高50%的检测速度。针对卷积网络在现有分类任务上已经取得了很高的准确率的现象,我们尝试去发掘和解决一个更加困难的问题:细微属性分类。我们首先评估了现有的模型在该问题上的表现。然后我们提出一种基于有限制的配对输入的孪生网络。实验证明,这种孪生学习方法可以有效的避免传统神经网络在训练集上的过拟合,提升学得特征的泛化性能。在此类问题上,我们的方法取得了远超传统分类模型的表现,并且达到了与人类评测接近的准确率。