深度学习作为实现弱智能化的有效途径,被广泛地用于解决与计算机视觉相关的智能化问题。其核心思想是使用大量数据对构建的模型进行训练,从而精准地解决图像分类、目标检测、图像分割等方面的问题。为了达到更优的精准度,新模型的设计变得越来越复杂,从而产生了更高的算力需求。由于人们通常只能随身携带如手机等计算能力有限的移动设备,而复杂的网络模型并不能在这样的设备上得到有效的使用。因此,需要考虑如何以轻量化网络模型为基础来解决实际场景中的问题。针对上述问题,本文以高效轻量化网络模型Mobile Net为研究基础,将模型的准确度、模型大小、运行能耗等性能指标作为优化目标,分别使用相关方法进行优化,从而使得模型的性能得到提升。首先,以卷积神经网络的研究发展为线,分析并归纳了网络结构的变化对于模型性能不同性能指标上的影响,分别研究了卷积运算、注意力机制、多尺度特征融合、模型压缩等模型优化方法。其次,针对研究对象Mobile Net网络通过调整网络结构、更改卷积运算方式、加入卷积注意力机制、L2正则化、模型剪枝、权值量化等方式对Mobile Net模型的优化进行探索和研究。通过标准数据集CIFAR10进行对比,从而验证该优化方案的有效性。最后,本文基于现有相关法规创建了垃圾图像数据集,并基于以上改进策略对完成训练后的模型进行处理;通过Google针对移动设备提出的机器学习框架Tensorflow Lite将模型转换后将其部署在Android设备上,完成了一款垃圾分类移动端应用。同样地,本文以Mobile Net作为基础网络完成了行人的目标检测;并结合LSTM网络对历史采集数据的预测,提出了一个针对行人流量的信号灯动态调控模型。综上,本文首先研究了卷积神经网络的优化方法,并以Mobile Net为研究对象采用不同方法在相关评价指标上进行优化,从而提高了模型的性能;并以Mobile Net模型为基础完成了垃圾图像分类和行人目标检测的实际问题,充分证明了Mobile Net模型的应用价值和提出的优化方案的有效性。