卷积神经网络在计算机视觉领域取得了巨大成就,随着网络结构的发展层数的增加,卷积神经网络对于陌生数据的泛化性能越来越难以理解。本文从图像分类和检测任务出发,研究了目前具有热议的卷积神经网络泛化理论,探究了常规的神经网络的正则化方法,在原有的正则化方法的基础上,我们对一些方法进行了拓展与创新。我们的实验表明,将现有的混合方法从分类直接转移到目标检测会导致训练过程变得更加困难,最终会导致性能下降。受我们的发现启发,我们提出了一种具有增加混合强度的多相混合方法,以提高目标检测器的精度并取得显着改善。首先,为了使混合方法适应于检测任务,我们设计了一种平稳调度和递增的混合强度,以控制多相混合的程度。基于上述动态系数,我们提出了一种增量混合方法,其中混合强度从零平滑地增加到完全。因此,可以创建更复杂和各种数据以实现网络规范化的目标。其次,我们还设计了增量混合损失函数来代替原始损失函数。损失函数中的混合强度平稳增加,这由我们的预定系数控制。第三,与其他典型的训练方法和过程相比,我们在多阶段训练过程中进一步抛弃了更多负面的例子。通过这样做,我们可以对神经网络进行正则化,以增强具有数据多样性的泛化能力,并最终提高目标检测的准确性。另外我们还提出了一种在一对特征图之间交换区域的新颖方法。除了从源特征图中完全去除空间相关信息以避免过度拟合之外,还可以大大增强特征图的多样性。然后,对应于上述交换操作,我们在扩展了感受野的概念之后设计了一个新的损失函数,并将其转化为首次计算系数的方法。此外为了优化混合损失函数,我们定义了感受野的分数表示,以说明边缘像素和中心像素的不同权重。在开放基准测试上的实验证实,该方法优于其他用于分类任务的正则化方法。