针对当前交互式活体检测过程繁琐、用户体验性差的问题，提出了一种优化LeNet-5 和近红外图像的静默活体检测方法。首先，采用近红外光摄像头构建了一个非活体数据集；其次，通过增大卷积核、增加卷积核数目、引入全局平均池化等方法对LeNet-5 进行了优化，构建了一个深层卷积神经网络；最后，将近红外人脸图片输入到模型中实现活体静默活体检测。实验结果表明，所设计的模型在活体检测数据集上有较高的识别率，为99.95%，整个静默活体检测系统的运行速度约为18～22 帧/s，在实际应用中鲁棒性较高。

针对采用全卷积神经网络去除地震数据随机噪声方法中遇到的计算量大、容易出现过拟合等问题,提出了一种基于LeNet-5改进的卷积神经网络对地震数据进行去噪的方法。除去输入层,该方法包含2个卷积层、2个池化层和1个全输出层。采用误差最小的实验试选法,首先在单层卷积网络中确定第1个卷积层和池化层的参数,基于第1层参数确定第2个卷积层和池化层的参数, 最后采用12000个大小为32×32的地震数据训练LeNet-5,采用1000个相同大小、相同信噪比的地震数据测试系统。Marousi2叠前和叠后地震数据去噪实验均表明,本文方法对水平和倾斜同相轴地震数据的去噪效果较好。与奇异值分解算法、BP(Back Propagation)算法以及文献[9]中算法相比,本文方法能更好地去除噪声。