随着生活中智能化的程度越来越高,机器学习逐渐应用到了现代智能化生产中。在机器学习当中,深度学习是一个重要的分支,其中卷积神经网络被广泛应用于计算机视觉领域的研究,其性能的优劣直接决定了相关任务的好坏。随着对卷积神经网络准确度要求越来越高,模型也变得越来越复杂,所需的硬件资源也越来越昂贵。近年来对卷积神经网络的研究从构建高准确率的大型卷积神经网络逐渐转向了如何构建更加实用高效的轻量级模型架构。研究轻量级卷积神经网络的目的就是在保证达到大型卷积神经网络准确率相当的基础上,大幅降低其参数量,以降低训练与部署时所需的硬件资源。主要研究内容如下。针对传统卷积神经网络模型大,对硬件要求高,并且目前轻量级的网络模型提取特征的能力有限,在精度上可以继续提升的问题。本文以Mobile Net V3为基础网络,并且使用分组卷积对输入特征进行分组处理,然后每组使用不同感受野的卷积核进行特征提取,同时使用轻量化的注意力机制代替原模型中的注意力机制,减少模型的参数,使网络模型更加轻量化。考虑到经过轻量化改进的网络会损失模型精度,本文使用不同感受野的卷积操作提取图像特征。本文的轻量化效果主要通过参数量的减少来体现。通过在NWPU、AID、AWA2和Flower四个数据集上测试后,实验结果表明,改进注意力机制后,模型的参数量由原先的20.92M变为了15.15M。使用分组卷积后,模型参数量由20.92M变为了7.62M。同时使用上述两个方法后,模型参数量降低到5.66M,仅为原来的四分之一左右。但其分类精度方面,四个数据集的实验结果显示,改进后的模型准确率与原模型准确率相当甚至更好。