深度学习目前在许多领域都取得出了很好的成绩,已经广泛地应用于生产生活的各个场景。深度学习的成功离不开计算芯片近年来的飞速发展,因为深度神经网络具有庞大的计算量。但是在边缘端,受限于功耗和算力,部署基于深度学习的应用依然存在巨大的挑战。本研究针对边缘端深度学习应用,提出了两种轻量化神经网络数据压缩编码方法。近来,一些研究者尝试使用信息论来打开神经信号编码的黑匣子。本研究从无线通信的有损数据压缩中受到启发,提出了比特瓶颈方法用于量化和编码神经网络激活数据。比特瓶颈方法基于率失真理论,通过估算不同比特的稀疏系数来确定激活表示中最重要的比特。通过给定一个有限平均码率的约束,比特瓶颈能够使用灵活的逐层量化方法来最小化量化失真。在Image Net和其它数据集上的实验结果显示,通过最小化每层的量化失真,相比国内外同期的量化研究,带比特瓶颈层的神经网络模型在激活低精度量化情况下取得了更好的分类准确率。并且,比特瓶颈方法能在不影响神经网络准确率的情况下,比单精度浮点表示的深度神经网络提升了超过6.4倍的内存和计算效率。另一方面,在智能视觉终端设备,不仅需要进行图像识别和分类的任务,同样需要进行图像压缩。可是,受限于边缘设备的能量预算和计算资源,实现复杂计算的图像压缩算法依然是一大挑战。针对此挑战,本研究提出了压缩卷积网络（CCN）方法,能够从大数据集中学习用于压缩感知的等距感知矩阵。为了提高感知矩阵与稀疏基矩阵之间的非相干性,本研究创新性地提出了一种非相干正则化函数。提出的方法通过复用传统目标检测神经网络中的卷积计算,无需额外的计算负担。在多个数据集上的实验表明,提出的图像压缩算法在不影响原始网络检测准确率的情况下,能够实现比传统方法高3.1倍到5.5倍的压缩效率,比JPEG压缩方法和其它压缩感知方法高2.7 dB到5.2 dB的图像重建峰值信噪比（PSNR）。