随着深度学习时代的发展,不断有创造性的算法提出,并且深度卷积神经网络在图像识别方面已经取得了巨大的成功,但它在进一步广泛应用之前,仍然有很多挑战需要面对。针对大型的复杂的卷积神经网络中存在高额的存储空间和计算资源消耗大的问题,本文主要从更精细的模型设计和模型剪枝两方面对流行的卷积神经网络进行改进,并且通过仿真实验对模型复杂度、计算复杂度和错误率进行度量。本文主要研究工作包括以下几个方面:(1)对两种使用精细模型设计的小型卷积神经网络模型进行研究。MobileNet和ShuffleNet都是高效的网络架构,它们分别使用深度可分离卷积方法和通道乱序方法来设计模型。通过仿真实验与其他流行的网络模型进行比较,MobileNet和ShuffleNet均有较高的图像识别精度,同时拥有更低的参数量和计算量。(2)对密集连接网络存在的问题进行了分析,提出了一种改进的密集连接网络:基于分组卷积的密集连接网络。基于分组卷积的密集连接网络通过分组卷积操作有效的降低了模型复杂度,通过呈指数增长的增长率来使得计算复杂度的降低,同时保证了准确率仅有很小的损失。(3)提出了一种基于特征值分解的神经网络剪枝策略来加速卷积神经网络的推断速度,该策略能够在训练过程中自动识别并裁剪掉不重要的卷积核,从而降低模型的参数量和计算量,并且通过微调操作恢复模型的图像识别精度。该策略不仅可以减少模型的大小、运行时内存、计算操作,并为训练过程引入了最小的开销,而且还不需要特殊的软/硬件来进行高效的推理。