近年来,深度学习在计算机视觉、自然语言处理等领域成为研究热点,深度模型尽管性能强大,然而由于参数数量庞大、存储和计算代价高,依然难以部署在资源受限的硬件平台上。传统的模型压缩和加速算法有网络剪枝、网络精馏、量化与二值化等,但是,现有的方法难以对结构复杂的模型进行压缩,并且在高压缩比的情况下性能下降严重。为了达到模型压缩、加速与模型性能的相对平衡,本文首先沿用网络精馏方法,通过教师网络来训练学生网络,并在此基础上进行延伸,维护一个学生网络种群,通过遗传算法,使得学生网络种群从基础网络开始不断进行变异和进化操作;通过改变遗传算法中的Fitness函数,使得进化的网络达到准确率和模型大小的平衡,最终达到网络压缩的目的。接着,本文探讨了网络二值化方法,通过用位运算代替传统的卷积乘法对网络进行加速,同时为了避免二值化带来的性能下降,本文提出了多组二值化权重拟合的网络生长方法,在保证性能的同时进一步对网络进行压缩和加速。本文提出了基于遗传算法和二值化的网络生长方法,相比传统的网络精馏和二值化等方法,能够在模型压缩、加速比和性能上取得相对平衡。实验结果表明,该方法能够在维持网络性能的前提下,有效对网络进行压缩和加速,效果显著。