在人工智能快速发展的今天,离不开深度学习在各个应用领域的广泛应用与研究,但随着深度学习的不断发展,致使许多大型深度模型以及集成模型不断出现。这为神经网络在对实时性要求高的任务中使用,以及在资源有限设备上的部署留下不小难题。知识蒸馏作为现在深度神经网络模型压缩的主流方法之一,其主要通过让小模型在预训练大模型的监督信号引导下,接受来自预训练教师大模型的知识辅助训练,以达到用更少参数的小模型得到接近大模型精确度的目的。对知识蒸馏课题的深入研究对深度学习今后的发展,以及在实际中更广泛地应用具有重要意义。在图像分类任务中,目前基于特征图知识类型的卷积神经网络压缩存在如下问题:（1）未考虑教师模型特征图中与输出结果无关的混淆因素对学生模型训练带来的负面影响;（2）忽略了教师模型特征图全局统计特征知识的迁移,并且教师模型无法根据学生模型的实时训练状况对所传递知识做出适当调整;（3）在教师模型到学生模型的知识迁移损失函数上,学生模型对教师模型特征参数全拟合的策略缺少类间差异性信息的指导。针对上述存在的问题,提出基于助教元模型的知识蒸馏算法。该方法主要分为:特征图因果关系特征选择,全局统计特征提取与迁移,特征参数的类间差异性拟合三部分。（1）根据教师模型特征图输出与数据集标签通过因果学习计算,获得特征图各像素特征的因果贡献比重,选出对数据集标签具有因果效应的像素特征。（2）通过离散余弦变换（Discrete Cosine Transform,DCT）提取特征图的频域特征作为全局统计特征知识,并借鉴元学习算法（Meta Pseudo Labels,MPL）对教师模型参数的更新方式,使教师模型根据学生的在验证集上的表现更新自身参数,达到根据学生模型训练情况动态修改所传递频域特征知识的目的。（3）对上一步所提取的各类别全局统计特征进一步使用Logistic回归分类模型提取类间差异性信息,将分类器的相关系数作为知识迁移损失项的拟合权重。本文在CIFAR-10,CIFAR-100以及ILSVRC2012,三个图像分类数据集上进行了实验验证,并加入基于特征图知识,基于输出知识以及元学习算法等七种方法作为对照实验。实验结果表明,本文提出的方法比对照实验中表现最优的算法在数据集CIFAR-10与ILSVRC2012上有0.16%的精度提升,在数据集CIFAR-100上有0.12%的精度提升。