深度神经网络作为一种强大而灵活的学习模型在自动驾驶、虚拟现实和智能家居等智能应用中被广泛使用。然而,这类模型的高计算复杂度特性使其难以高效地运行于资源受限的终端设备上。目前的研究工作主要致力于减少模型的参数量和计算复杂度,忽略了设备的多样性。传统的深度神经网络含有唯一的推理路径,难以适应动态变化的环境。为解决上述问题,本文首先设计了一种基于多分支联合的可伸缩神经网络,该网络含有多个不同宽度的推理路径,运行时路径可无代价切换;接着提出了逐步增量式训练方法和基于多优化器的学习率双重衰减方案,用于提升网络准确率;最后构建了基于阈值选择的自适应推理方案,以提升可伸缩神经网络在动态环境中的推理性能。本文的主要贡献如下:1.本文设计了一种基于多分支联合的可伸缩神经网络。具体来说,我们首先提出了基于拼接式特征融合和阶段性连接的特征提取部分网络构建方案,之后在推理部分网络设计中引入了共享网络层和多重批量归一化。2.本文提出了逐步增量式训练方法和基于多优化器的学习率双重衰减训练优化方案。逐步增量式训练基于部分参数更新同步优化多目标,减少了网络的训练时间。学习率双重衰减方案通过调整各优化器对应的步长促进多目标同步优化。3.本文构建了一种基于阈值选择的自适应推理方案。首先,我们基于计算量和准确率分析确定了模型准备阶段可选阈值组合集的生成方式;其次,我们基于需求分析和适应概率确定了阈值组合选择算法。实验结果表明,与已有的可伸缩神经网络设计方案相比,本文提出的方案可使网络参数量平均减少20%,且使各推理路径对应的参数量不同程度地缩减。同时,基于逐步增量式训练和学习率双重衰减的训练方案使可伸缩神经网络各推理路径的准确率相比于已有最佳训练方案平均提升8%左右。除此之外,本文所提出的基于阈值选择的自适应推理方案可有效提升在动态环境中可伸缩神经网络的推理性能。