深度学习算法在包括计算机视觉、自然语言处理、语音识别在内的多个领域均取得了优异的性能,在过去十多年间吸引了广泛的关注。随着边缘计算的不断发展与嵌入式设备的日益成熟,出于数据安全和计算实时性等多方面的考虑,将深度学习算法直接部署在边缘端越来越必要。深度学习算法具有计算复杂度高、参数量大的特点,而终端嵌入式设备是资源受限的,因此深度学习算法通常无法直接部署在嵌入式设备上。二值化作为模型量化的极端情况,可有效地减小模型的存储占用,提高计算效率,但是会造成比较大的模型精度下降。本文旨在研究高性能的二值卷积神经网络,针对影响二值卷积神经网络精度和速度的若干问题提出高效的解决方案,并借助网络结构搜索技术,自动化地生成满足特定需求的高性能二值卷积神经网络,助力深度学习算法在终端嵌入式设备上的部署。本文的主要工作内容总结为以下两方面:从经验出发,提出高效的解决方案提高二值卷积神经网络的精度和速度。针对影响二值卷积神经网络精度的梯度失配问题,提出了一种新的梯度近似方法,它可以有效地提高二值卷积神经网络对梯度的近似精度。在多种基础网络结构和多个数据集上的大量实验表明,相比在二值化算法中广泛使用的Htanh函数和Approx Func函数,该方法可将二值卷积神经网络的预测准确率提升1.47%～5.70%;针对影响二值卷积神经网络推理速度的浮点运算,提出了一种高效的首层量化算法（First layer Quantization Algorithm,FLQA）,结合浮点因子近似策略转化二值卷积神经网络中残余的浮点运算。在Vggsmall上的实验显示,在转化98%的浮点运算的情况下,模型的预测准确率仅下降0.14%;最后,在GPU平台上实现二值卷积神经网络Vggsmall底层基于位运算的推理过程,实验验证了位运算的速度优势。提出了二值网络对抗防御搜索框架（Binary Neural Architecture Attack Defensive Search,BAADS）,探索高性能二值卷积神经网络的自动化设计。该框架结合网络结构搜索技术和对抗攻击防御技术,可自动化地设计兼具参数效率和抗攻击性的高性能二值卷积神经网络。相比传统的可微分网络结构搜索算法,该框架具有以下创新:1)适用二值网络的搜索空间。本文在可微分网络结构搜索框架DARTS的基础上提出了适用二值网络的搜索空间,基于该搜索空间搜索到的二值卷积神经网络在CIFAR10上的准确率相比原搜索空间提高41%;2)高效的搜索策略。通过联合多阶段搜索和稳定性搜索技术,显著地降低了搜索过程中的显存占用,减小了目标模型的性能方差;3)灵活的搜索目标。提出了一种定制化的成本约束策略,它可有效地权衡目标模型的性能和成本;4)对抗防御性搜索。在结构搜索过程中嵌入对抗防御训练,针对性地寻找具有优抗攻击性的二值卷积神经网络。BAADS算法最终搜索到的目标模型为BAADSv3,以1.95M的参数量取得了91.06%的CIFAR10预测准确率,以6.9M的参数量取得了61.5%的Image Net预测准确率。本文通过大量的实验验证了BAADSv3在参数量,准确率和抗攻击性三个方面的优异性能。