卷积神经网络(Convolutional neural network，CNN)在计算机视觉领域有极广泛的应用，在这些应用中减少其工作负荷对CNN非常有利。CNN的成功表现使人们将其大量部署在许多先进平台上用以识别图像，诸如微型机器人、手持设备和数据中心的在线搜索引擎等。降低神经网络之运行成本对CNN算法的部署更为有用。
　　本文研究CNN中矩阵运算的算术属性，包括矩阵乘法和加法，并运用Strassen算法，以最大程度地减少其计算工作负荷。该算法仅需较少的工作空间，同时具有理想的计算精度。此外，将CNN计算所需基本运算操作的理论数量作为算法的一个方面，并进行研究。矩阵乘法(Matrix multiplication，MM)是CNN最基本的计算操作，并且MM的性能取决于诸多不同的因素。我们提出了一种新的依赖于这些属性的优化算法，将其应用于标准的CNN架构，不仅可以减少计算负担，而且不降低图像识别或硬件的表现质量。矩阵乘法已成为各种CNN计算中至关重要的部分之一。Strassen算法中的快速矩阵乘法(Fast Matrix multiplication，FMM)算法可以较大程度地减少矩阵乘法所需的计算量，并受到了研究者和工程师们的广泛关注。这些算法已经推动了相关领域一些技术的提高，包括许多FMM算法的改进。本文着眼于矩阵对应元素相乘和相加的数量，并研究它们对计算性能的影响。本文所提的优化算法不仅可以在深度学习模型中进行运行，而且也能加快卷积神经网络中矩阵乘法的速度。这将使神经网络较大限度地降低计算复杂度与性能损失，同时为CNN与硬件加速方法的多样性提供了一个方向。