随着计算机软硬件技术的高速发展以及大数据时代的到来,深度学习已经成为当前计算机科学方向的研究热点。卷积神经网络作为深度学习的典型代表模型之一,在计算机视觉领域发挥着重要的作用。其具有局部感受野、权值共享和降采样的特点可以实现端到端的训练与测试,从而取代传统的机器学习算法,并且在图像处理领域取得了令人瞩目的成绩。图像识别任务是计算机视觉领域的重点和代表研究方向,在当前社会中应对千千万万的图像数据,传统的人工特征提取方法已经不能满足基本需求,因此卷积神经网络技术的使用可以极大的提高图像识别的效率。但是当前的卷积神经网络模型存在设计难度大、识别精度不高以及计算资源消耗巨大的问题,不利于推广到实际应用和服务中,因此需要设计更加轻量级的网络模型,旨在保证相当准确率的情况下,极大降低网络的参数规模。本文从卷积神经网络的理论出发,针对当前存在的技术难题,围绕着卷积神经网络的结构设计、网络优化等方向进行研究,设计出更高效的轻量级卷积神经网络,本文的主要研究内容与创新工作如下:（1）针对传统卷积神经网络的卷积核过于单一、不具备多样性以及网络结构复杂、参数冗余的问题,设计了一种轻量级特征融合卷积神经网络MS-FNet。该网络架构的Fusion模块采用多路结构增加了卷积神经网络的宽度,对输入特征图通过大小不一尺寸的卷积核处理,提高了网络在同一层中提取不同特征的能力,并且在每一次卷积后采用批归一化、Re LU激活函数等方法去除冗余特征。在网络的最后使用卷积层代替传统的全连接层,不仅加快了模型的训练,还缓解了由于参数过多造成过拟合的问题。实验结果表明,MS-FNet在达到较低错误率的同时,大大减少了网络的参数量,有更强的学习能力。（2）针对不断增加卷积神经网络层数导致准确率不升反而下降的问题,设计了一种融合多级残差连接的轻量级卷积神经网络MRC-FNet。该网络的多级残差连接（MRC）模块由改进的残差学习单元组成,在残差学习单元中采用批归一化、Re LU激活函数、Dropout等方法有效抑制了过拟合,并将相邻的残差学习单元进行连接,加强了前后层之间的信息交流,实现了特征的充分利用,保证网络能提取更丰富的特征,进一步减轻了由于网络层数越来越深导致的梯度消失问题和网络性能退化问题,使得网络更易于训练。实验结果表明,MRC-FNet在达到较低错误率的同时,参数量也大大降低,网络模型有更强的泛化能力。（3）最后主要探讨了轻量级卷积神经网络模型的搭建、训练及测试的流程,且将训练好的网络模型部署到实际的花卉图像识别应用中,具有一定的应用价值。本文第三章和第四章分别从宽度和深度的改进方向详细介绍了轻量级特征融合卷积神经网络和融合多级残差连接卷积神经网络,并在公开数据集中取得了良好的效果。为验证所提出算法的实际可应用性,本文利用了自制的花卉数据集,并结合第三章和第四章所提出的改进方法来训练模型,详细介绍了数据的处理过程、模型的设计与训练过程以及可视化页面的展示。实验结果表明,本文轻量级网络模型具有较高的识别率,能够胜任基本的识别任务。