近年来,随着对神经网络的不断探索及移动手机硬件的更新换代,越来越多的研究聚焦于如何设计有效的模型,支撑起移动终端的任务推理。图片分类是众多研究中的经典任务,可用于以图搜图、人脸识别、医疗影像等诸多领域,在现实中有重大实用意义。而在移动端上进行图片分类主要面临如下两个问题:神经网络模型往往是参数量大且计算密集型的,存储和计算资源的开销给移动端带来了很大的负担;而移动端和云端结合的处理方式虽然高效,但也面临隐私泄露的风险。这些问题严重制约了主流的高精度模型在实际生活中的应用。随着神经网络的发展,研究者设计了许多轻量级神经网络。现有方法:（1）网络自动搜索。通过搜索策略发掘有效的模型架构,但这种方法需要高性能的服务器才可能实现;（2）紧促型网络设计,通过设计有效的网络架构实现模型轻量化,虽从参数量和计算量降低了模型规模,但这也导致模型特征提取能力的欠缺,进而影响模型精度;（3）模型裁剪方法,通过删除模型中性能较差的神经元或者连接得到一个稀疏化的模型,但结构的变化导致较大幅度的精度下降。本研究力图打破瓶颈限制,以紧促型神经网络模块为基础设计更高效的架构,并以特征增强和模型优化为补充提升模型的整体性能。本研究通过分析上述研究方向的优缺点,面向移动终端真实场景应用需求,提出了一个兼顾模型规模和精度的神经网络模型。首先,提出了新的神经网络基础模块（base）来构建模型,该模块以特征升维保证模块内信息的多样性、再利用深度可分离卷积和标准卷积并行地提取图片特征、最后进行特征降维三个步骤实现参数量和计算量减少的同时达到较好的模型性能;其次,由于模型训练时神经元的学习效率并不相同,本文以注意力算法作为补充嵌入到基础模块中,主要通过设计的浅层卷积神经网络分析通道域和空间域的特征响应强度作为注意力权重,增强良好特征以进一步提升精度;最后,为了确保设计的模型能够部署于移动端,设计了训练过程中的伪量化策略模拟轻量化模型的推理过程后进行模型优化,既减小了模型规模,又保证了精度的相对稳定。经过实验验证,本研究在多个公开数据集上表现出优秀的模型性能,在真实移动手机场景下也能实时且长时地进行图片识别任务。