在图像中添加不相关信息会对CNN的学习过程产生一定的影响。这可能会导致模型在学习中关注不相关的特征，从而降低性能。为了解决这个问题，我们可以使用数据增强和正则化技术来减少不相关信息的影响。

下面是一个使用Keras库实现的示例代码，展示了如何在训练CNN模型时使用数据增强和正则化技术来减少不相关信息的影响：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
from keras.preprocessing.image import ImageDataGenerator
from keras.regularizers import l2

# 创建CNN模型
model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 3)))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Conv2D(64, (3, 3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dense(64, activation='relu', kernel_regularizer=l2(0.01)))
model.add(Dense(1, activation='sigmoid'))

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 数据增强和正则化
train_datagen = ImageDataGenerator(rescale=1./255,
                                   rotation_range=10,
                                   width_shift_range=0.1,
                                   height_shift_range=0.1,
                                   shear_range=0.1,
                                   zoom_range=0.1,
                                   horizontal_flip=True,
                                   vertical_flip=True)
test_datagen = ImageDataGenerator(rescale=1./255)

# 加载训练数据
train_generator = train_datagen.flow_from_directory('train_dir',
                                                    target_size=(64, 64),
                                                    batch_size=32,
                                                    class_mode='binary')

# 加载测试数据
test_generator = test_datagen.flow_from_directory('test_dir',
                                                  target_size=(64, 64),
                                                  batch_size=32,
                                                  class_mode='binary')

# 训练模型
model.fit_generator(train_generator,
                    steps_per_epoch=len(train_generator),
                    epochs=10,
                    validation_data=test_generator,
                    validation_steps=len(test_generator))

在上述代码中，我们使用了ImageDataGenerator类来进行数据增强。通过调整参数，可以对图像进行旋转、平移、剪切、缩放和翻转等操作，从而增加数据的多样性。这样做可以帮助模型更好地学习图像中的相关特征，减少不相关信息的影响。

另外，我们还使用了kernel_regularizer参数来对模型的权重进行L2正则化。这种正则化技术可以惩罚模型的复杂度，避免过拟合并进一步减少不相关信息的影响。

通过使用数据增强和正则化技术，我们可以更好地使CNN模型忽略不相关信息并更好地学习图像中的相关特征，从而提高模型的性能。