在深度神经网络的稳定优化中，正则化方法如Dropout和批量归一化（batch normalization）已被广泛应用于各类任务。然而，关于Dropout的正确应用位置，目前仍缺乏系统性的讨论，实际应用中不同研究者根据经验选择不同的插入位置。本研究系统探究了Dropout的最优应用位置。研究发现，在包含批量归一化的残差网络（Residual Network）中，将Dropout置于某些特定位置可提升模型性能，而置于其他位置则可能导致性能下降。基于理论分析，本文提出以下关于Dropout正确应用位置的指导原则：在残差分支中，应在最后一个批量归一化层之后、最后一个权重层之前应用一次Dropout。我们提供了详尽的理论推导以支持该结论，并通过模块化实验进行了验证。此外，本文还研究了用于生成最终预测结果的网络头部（head）中Dropout的最优位置。尽管当前普遍做法是在全局平均池化（global average pooling）之后应用Dropout，但我们证明：在全局平均池化之前应用Dropout，能够获得更为稳定的输出结果。上述提出的指导原则已在多种数据集和模型上通过实验得到验证，结果表明其具有良好的泛化能力与实用性。