ResNet及其变体在各类计算机视觉任务中取得了显著成果。尽管其通过残差连接机制有效实现了梯度在模块间的流动，但简单的加性捷径连接方式限制了模型对新潜在互补特征的重新探索能力。为解决这一问题，本文提出引入一个调节器模块（regulator module）作为记忆机制，用于提取互补特征，并将其进一步输入至ResNet中。具体而言，该调节器模块由卷积循环神经网络（如卷积LSTM或卷积GRU）构成，这类网络被证实具备提取时空信息的优异能力。我们所提出的新型受控网络被命名为RegNet。该调节器模块具有良好的可实现性，可轻松嵌入任意ResNet架构中。此外，我们还将该模块应用于改进挤压-激励ResNet（Squeeze-and-Excitation ResNet），以验证所提方法的通用性。在三个图像分类数据集上的实验结果表明，与标准ResNet、SE-ResNet以及其他先进架构相比，所提出的RegNet展现出更具竞争力的性能表现。