深度学习能自动提取数据特征,不依赖人工设计特征,且深度学习模型具有学习能力强、适应性好等优点,但其存在参数量和计算量大的问题,而工业现场对快速性有一定要求,为了保证准确率的同时提高处理速度,本文对深度学习卷积神经网络进行轻量化研究。并将提出的轻量化网络应用于工业现场图像,验证了算法的可行性。首先,介绍了三种工业应用场景,说明了在工业场景下的图像处理任务中进行深度学习轻量化研究的必要性。基于模型的参数量和计算量分析了卷积神经网络的计算复杂度,并对三种深度学习轻量化技术做了对比分析。然后,基于人工设计轻量化卷积结构的思想,提出了改进Mobile Net V2轻量化深度学习图像分类网络。修改了Mobile Net V2原网络中的倒残差结构,并对归一化方法和激活函数的类型进行调整。将改进后的网络分别用于工业场景下的锌渣图像和铸坯表面缺陷图像的分类任务中,实验结果表明:改进Mobile Net V2的参数量相比原网络少了近41%;改进网络的测试平均耗时相比原网络减少了42.42%～47.13%;改进网络的分类准确率也比改进前提高了0.67%～1.46%。最后,结合神经网络架构搜索轻量化技术,设计出改进的Squeeze NAS网络,该模型是一种用于工业现场图像的深度学习语义分割网络。在搜索的宏观结构中引入了混合空洞卷积,改进了进行网络搜索的基本单元,基于梯度的搜索策略对网络架构进行优化。将改进Squeeze NAS应用到工业场景中的锌渣图像和钢包底吹氩图像的语义分割任务中,实验结果表明:改进Squeeze NAS进行分割的平均交并比,较原网络提高了0.59%～0.95%;改进后网络的测试平均耗时与原网络相比也减少了13.9%～17.6%。