使用云辅助训练少参数的卷积神经网络(Convolutional Neural Network，CNN)可以使其部署在资源受限的物联网设备上，然而现有少参数模型存在对复杂数据特征的提取能力不足、鲁棒性差的问题。为此本文提出了一种适应复杂数据且鲁棒性强的CNN设计方法，组合非线性变换卷积核生成方法(Combined Non-linearity Convolution Kernel Generation，CN2Conv)。首先，从 CNN模型的卷积层中随机选取部分卷积核作为种子卷积核，并使用多个生成函数对种子卷积核进行非线性变换，得到多样化的生成卷积核。然后，对不同生成函数使用不同的超参数以控制模型的正则化效果，提高模型鲁棒性。最后，对生成卷积核生成的特征图进行通道混洗和卷积降维操作，同时利用组归一化技术提高特征的分布一致性，增强对复杂数据的特征捕获能力。为了验证CN2Conv的有效性，在CIFAR-10、CIFAR-100、CIFAR-10-C和Icons-50数据集上进行了实验。在CIFAR-10-C数据集上，采用CN2Conv的ResNet34的准确率比标准ResNet34提高8.22%，比MonoCNN提高11.86%。结果表明基于CN2Conv的CNN模型在多个数据集上的准确率优于对比方法，且鲁棒性显著提升。