卷積神經(jīng)網(wǎng)絡(luò)等深度神經(jīng)網(wǎng)絡(luò)憑借著其強(qiáng)大的表達(dá)能力、突出的分類(lèi)性能，已在不同領(lǐng)域內(nèi)得到了廣泛應(yīng)用．當(dāng)面對(duì)高維特征時(shí)，深度神經(jīng)網(wǎng)絡(luò)通常被認(rèn)為具有較好的魯棒性，能夠隱含地對(duì)特征進(jìn)行選擇，但由于網(wǎng)絡(luò)參數(shù)巨大，如果數(shù)據(jù)量達(dá)不到足夠的規(guī)模，則會(huì)導(dǎo)致學(xué)習(xí)不充分，因而可能無(wú)法達(dá)到最優(yōu)的特征選擇．而神經(jīng)網(wǎng)絡(luò)的黑箱特性使得無(wú)法觀測(cè)神經(jīng)網(wǎng)絡(luò)選擇了哪些特征，也無(wú)法評(píng)估其特征選擇的能力．為此，以卷積神經(jīng)網(wǎng)絡(luò)為例，首先研究如何顯式地表達(dá)神經(jīng)網(wǎng)絡(luò)中的特征重要性，提出了基于感受野的特征貢獻(xiàn)度分析方法：其次，將神經(jīng)網(wǎng)絡(luò)特征選擇與傳統(tǒng)特征評(píng)價(jià)方法進(jìn)行對(duì)比分析發(fā)現(xiàn)，在非海量樣本的情況下，傳統(tǒng)特征評(píng)價(jià)方法對(duì)高重要性特征和噪聲特征的識(shí)別能力反而能夠超過(guò)神經(jīng)網(wǎng)絡(luò)．因此，進(jìn)一步地提出了卷積神經(jīng)網(wǎng)絡(luò)增強(qiáng)特征選擇模型。將傳統(tǒng)特征評(píng)價(jià)方法對(duì)特征重要性的理解結(jié)合到神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程中，以輔助深度神經(jīng)網(wǎng)絡(luò)進(jìn)行特征選擇．在基于文本的社交媒體用戶屬性建模任務(wù)下進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果驗(yàn)證了該模型的有效性。