La red neuronal convolucional (CNN) fue inicialmente inspirada por el sistema visual fisiológico, y su estructura se ha vuelto cada vez más compleja después de décadas de desarrollo. Aunque las arquitecturas de CNN ahora se han alejado de las estructuras biológicas, creemos que el mecanismo de extracción de características en el sistema visual aún puede proporcionar ideas valiosas para mejorar la robustez y estabilidad de las CNN. En este estudio, investigamos el mecanismo de selectividad de orientación de neuronas y desarrollamos un sistema visual artificial (AVS) refiriéndonos a la estructura del sistema visual primario. A través del aprendizaje en un conjunto de datos de orientación de objetos artificial, AVS adquiere capacidades de extracción de orientación. Posteriormente, empleamos el AVS pre-entrenado como un bloque de pre-procesamiento de información al frente de las CNN para regular su preferencia por diferentes características de imagen durante el entrenamiento. Realizamos una evaluación exhaustiva del marco AVS-CNN en diferentes tareas de imagen. Los extensos resultados demostraron que las CNN mejoradas por AVS muestran una mejora significativa en la estabilidad del modelo y una disminución en la tasa de error en datos ruidosos. Proponemos que la incorporación de estructuras biológicas en el diseño de CNN aún tiene un gran potencial para mejorar el rendimiento general.