传统的卷积神经网络(CNN)通常会丢弃负值特征信息, 进而影响着图像分类的效果. 针对 CNN 更好地学习图像特征的问题, 对传统的 CNN 模型进行改进, 提出 Supplement CNN 模型. 首先将卷积层得到的特征图取反, 并同原特征图一起作用 Leaky ReLU 激活函数以保留图像的负值特征信息; 然后传递至下一层, 增加前向传播的特征信息, 影响反向传播算法的权值更新, 以有利于图像的分类; 最后通过实验阐述了 Supplement CNN 模型受网络层数的影响情况. 与传统的