在当前语音识别和图像识别领域， 卷积神经网络已经取得了很大的成功。现有的Lenet-5卷积神经网络是多层网络结构， 但是大量实验表明， 从全链接层到输入层的回调影响了最终的精度， 特别是在有限数据量的情况下。因此提出了单层回调的Lenet-5算法， 即在Lenet-5卷积神经网络的卷积层后添加一个临时输出层， 与真实标签进行比较， 根据误差函数对层间参数进行回调， 并用全球手写数字MNIST数据集进行训练和测试。实验表明， 即使在有限数据量的情况下算法的精度仍能得到提高。