图像分类作为计算机视觉的基本问题,随着深度学习的引入得到了诸多发展以及提升。但在训练分类模型时会不可避免地出现过拟合现象,这会使得最终训练出来的网络效果不好。过拟合是指由于模型过于复杂或数据量不足,网络拟合的结果仅接近于训练集,但并不会在测试集上取得良好的表现,即网络不具备应有的泛化性。Dropout为主要针对神经网络的正则化措施以及策略,它通过随机屏蔽掉单元使得每个单元的“重要性”趋于一致,从而减少网络的过拟合倾向。但Dropout并不能在卷积神经网络上起到很好的效果,由于在卷积层里所提取到的特征在空间上是相关联的,被Dropout丢弃的神经元信息并不能完全被屏蔽。许多方法试图通过随机丢弃区域或通道来改进Dropout。本文对当前比较常用的Dropout算法进行了研究和探索,并进行了对比研究和分析,在此基础上提出了一种名为FocusedDropout的新的正则化方法,FocusedDropout是第一个关于CNN的非随机性Dropout策略。经过FocusedDropout方法训练的网络可以通过丢弃背景和噪声相关的单元使网络更加关注前景信息,更加专注于分类目标,分类效果会更好。在研究过程中发现卷积神经网络的高激活值单位往往对应于分类目标,基于这一点,FocusedDropout在训练的过程中选择平均激活值最高的通道,丢弃该通道上激活值低于阈值的单元,而将高于该阈值的单元作为优选区域。在CNN所包含的空间不变性特点支持下,FocusedDropout仅保留剩余通道上优选区域的单元。因此,FocusedDropout方法使网络更加关注同分类目标有关的特征,这更加有利于神经网络进行正则化,避免过拟合的产生。本文研究了FocusedDropout方法在多个常用模型上对多个常见的数据集上训练的性能,以证明FocusedDropout方法的有效性和通用性。训练的过程中,FocusedDropout使用了一种新颖的方式,并不是在所有的训练样本上都使用FocusedDropout方法,而是随机选择10%的批次使用FocusedDropout方法,并在测试过程中保留模型,这样的训练方式使得FocusedDropout只占用很小的训练时间和训练内存成本,同时又易于实现。实验结果表明,FocusedDropout方法在CIFAR-10数据集和CIFAR-100数据集上产生了很好的性能提升,并且对于包括VGG、ResNet和DenseNet在内的不同卷积神经网络分类模型具有很好的通用性,具有很强的泛化能力。