随着深度学习不断的发展,在图像识别领域中神经网络的结构越来越多了,因此有科学家将神经网络利用到了其它的领域中,如流量预测,文本分析等领域,同样取得了优秀的成果。但是在迁移神经网络到其他领域中的时候,直接迁移图像识别的神经网络结构,大多数情况下在新的领域中无法得到一个优秀的结果。因此有人提出了神经网络结构搜索的概念。早期的神经网络搜索方法,都是利用反向传播的原理来进行神经网络的搜索,并且每次采样的神经网络结构都需要重新训练耗费大量的时间。同时在训练的时候,因为权重参数和神经网络的结构参数同时更新,造成了节点权重参数的高度耦合。因此本文中提出了基于进化算法的神经网络结构搜索,主要有以下优点:（1）使用了参数共享的策略。在神经网络搜索前,训练一个超级网络,在神经网络结构搜索过程中,每次采样的结构,只需要从超级网络中直接继承权重参数,在数据集上直接进行推断,得出准确率。这样避免了训练每一个采样结构,提高了神经网络结构搜索的速度。（2）在本文中,训练超级网络的时候,每次只随机激活一条路径来进行训练。这样的训练策略,首先可以降低训练超级网络时各个节点之间因为同时更新造成的高度耦合。其次,因为每一次只有一条路径参与到反向传播中,训练的速度得到了大幅度的提高,并且对内存和GPU资源的消耗急剧下降。（3）在利用粒子群算法对神经网络结构进行优化的时候,避免了反向传播的操作,同时避免了神经网络结构参数的连续化,使得在做结构搜索的过程中更加准确,快速。（4）在神经网络搜索的过程中,引入了多目标优化算法NSGA-Ⅱ,可以同时针对多个目标进行神经网络结构的搜索,这样更加贴近实际问题,使神经网络结构搜索能够应用到更广阔的领域。