在计算机视觉领域,卷积神经网络算法模型相比于传统算法,精度有着大幅度的提升。然而基于卷积神经网络的相关算法高度依赖于高性能服务器、GPU等硬件,过大的计算量及参数量限制了卷积神经网络在内存与计算资源受限的移动及嵌入式设备上的应用。为解决卷积神经网络模型的参数量及计算量过大的问题,本文开展以下研究工作。本文通过对目前主流的卷积神经网络的结构特点分析发现,在大尺寸卷积核前面应用1×1逐点卷积层进行维度缩减以及使用分组卷积是对许多大模型减少计算量及参数量的方式,随着研究工作的进展,大尺寸卷积核的使用逐渐被摈弃,1×1卷积核和3×3卷积核的卷积层组合成为了最常见的卷积层堆叠模块。由于1×1逐点卷积层所占的计算量比例较高,为进一步减少模型的参数量以及计算量,针对逐点卷积层,本章提出了组间特征融合策略对常见卷积层基本模块做出改进。在DenseNet与ResNet这两个经典的模型上实验得到的结果表明了,在原始模型进行了分组卷积操作的基础上应用该策略,在不影响逐点卷积层输出的特征通道的数量的情况下,能减少原始逐点卷积层¹₂)（2）是分组组数)的卷积核个数,同时也不影响模型的识别准确率。此外,本文针对DenseNet这种特征连接密集型的卷积神经网络模型提出了一种基于特征通道权重的剪枝算法。通过在算法模型的卷积层之后添加一个特征权重调整层,用以在模型训练的时候自动学习每一个特征通道的权重大小。在剪枝阶段,将权重过低的卷积核剪去,留下权重高的特征。实验结果表明,该剪枝算法可以在剪掉DenseNet模型25%左右的连接数的情况下,几乎不影响模型的精度。使用本文提出的两个策略进行轻量化后的DenseNet模型参数量只有0.4M,计算量为55MFLOPs,在Cifar10数据集上,测试识别率相比原始模型损失不到1%,参数量及计算量比ShuffleNet、MobileNet等模型更小、分类准确率更高。