深度学习作为目前一种先进的技术手段,广泛的活跃在人工智能、大数据、语音识别等领域,特别在计算机视觉中,卷积神经网络的提出使目标识别的性能获得了飞跃式的提升。随着军事技术的不断发展,作战方式已经由机械化、信息化发展到智能化,涌现出大量的智能化军事装备用于探查敌情、策略决断、智能作战等方面,军事设备的小型化、智能化需求也迫在眉睫。因此,基于深度学习的目标识别模型不仅需要考虑模型参数、模型体积、模型精度,还需要综合考虑嵌入式设备的资源、体积等现实问题,将参数规模大、占用空间多、计算复杂的目标识别模型部署至资源受限的场景时,面向深度学习的识别模型缺点暴露无遗。本文对基于深度学习模型的压缩与加速方法进行了探索与研究,旨在获得高精度、高效率的目标识别模型,提升学术工作与实际应用的紧密程度,得到高精度、低时延、低功耗的轻量化模型,进一步扩展基于深度学习的目标识别算法的应用场景。本文的研究重点与创新点涉及以下三个方面:针对特殊领域数据量不充足的问题,本文提出了一种IU-Cycle GAN数据扩增算法。首先,在数据增强方面替换GAN网络为Cycle GAN网络,解决了传统GAN网络生成结果样本不够丰富的问题;然后,为了提升生成器模型的生成效果,结合U-Net和Res Net的长短连接优势,提出了U-Res Net结构,有效的提升了模型的生成效果,并且在U-Net中有较多的跳跃式连接,并衔接通道混洗结构完成深层与浅层信息的充分交融,提升URes Net的生成效果;最后,针对Cycle GAN训练不够稳定的问题,选取推土机距离作为损失函数,提升模型的稳定性,以此提升模型的生成效果。实验充分证明了,结合自制的数据集特点,利用IU-Cycle GAN数据扩增算法可有效地提升数据集的多样性与真实性,并且可有效地提升识别模型的识别精度。针对YOLOv4模型体积大、参数冗余多的问题,本文提出了基于Ghost模块的目标识别模型压缩算法。首先为了使模型的参数分布更加合理而对模型进行模型优化,在特征金字塔不同阶段引入特征金字塔池化模块,在不同的尺度上实现局部与全局特征的融合,从而提升每一层的感受野,优化识别模型的性能;然后,采用Ghost卷积模块重构YOLOv4目标识别模型,Ghost模块即插即用的特点以及可以有效的保留模型中的冗余特征,可以在保证识别精度的情况下有效的提升模型的推理效率并且压缩模型的体积;最后,采用通道-卷积模块极限剪枝压缩算法,利用稀疏化训练,基于批处理归一化层评判不同通道、卷积块的重要程度,以此为参考进行模型的剪枝、剪块操作,同时在网络深度和网络宽度进行模型的压缩工作。通过实验验证了基于Ghost模块的目标识别模型压缩算法的优越性,并在嵌入式平台上实现实时检测。针对极限剪枝后的模型参数压缩较大而精度受损的问题,提出了基于YOLOv4目标识别算法的知识蒸馏算法。首先,引入通道-空间注意力图作为知识经验,将教师网络的关注信息传输给学生网络,提升学生网络的识别性能;然后,引入多阶段助教策略训练学生网络,减少两次知识蒸馏网络简的模型差距从而提升蒸馏效果;最后进行了实验,验证了本文提出的基于YOLOv4目标识别算法的知识蒸馏算法的有效性。