در این پایان نامه، یک شبکه عصبی کانولوشن با ساختار سلسله مراتبی برای تقویت پردازش اطلاعات ارائه شده است. توانایی اشتراک وزن شبکه های عصبی کانولوشن بطور قابل توجهی سبب کاهش تعداد پارامترهای آزاد آموزش پذیر شبکه و در نتیجه افزایش تعمیم پذیری می شود. در ساختار ارائه شده یک شبکه کانولوشن کوچک که برای استخراج ویژگی استفاده می شود بین کل پیکسل های تصویر ورودی به اشتراک گذاشته می شود. استفاده از شبکه های آموزش پذیر کوچک تر و بخش بندی شده برای حل یک مساله بزرگ و پیچیده، یک معماری مقیاس پذیر برای پیاده سازی شبکه های بزرگ ارائه می دهد. ساختار ارائه شده سبب کاهش زمان آموزش، کاهش تعداد پارامترهای آموزش پذیر و افزایش دقت دسته بندی شده است. دقت دسته بندی نمونه های دیده نشده در آزمایشات نشان دهنده پیشرفت در تعمیم پذیری است. مثال های کاربردی در این تحقیق برای شناسایی چهره ارائه شده است. آزمایشات جامع بر روی مجموعه داده های رایج orl، yale و jaffe نشان دهنده پیشرفت در نرخ دسته بندی صحیح و کاهش زمان آموزش و همچنین کاهش تعداد پارامترهای آموزش پذیر است. علاوه بر این، دسته بندی کننده های مختلف با استفاده از نرم افزار weka بر روی خروجی شبکه hscnn اعمال شده است. انجام آزمایشات متعدد نشانگر این است که دسته بندی کننده لوجستیک ساده دارای بالاترین دقت دسته بندی در کوتاه ترین زمان در مقایسه با دیگر الگوریتم ها است.