近年来,随着移动互联网的飞速发展,移动设备被人们广泛使用。卷积神经网络已成为计算机视觉领域的主流技术,为泛在的移动设备提供了多元化服务,而卷积神经网络模型常常具有规模庞大、层次深、复杂度高、对于硬件需求标准过高等问题。为了大规模的卷积神经网络模型能够更高效地应用于移动互联网中的边缘设备,对于轻量化卷积神经网络的研究日益增多。如何让卷积神经网络在尽可能保障模型精度的前提下减少模型参数量、降低网络复杂度,来实现网络轻量化是一个值得研究的问题。首先,本文从结构优化设计与模型压缩两个层面对卷积神经网络轻量化的国内外研究现状进行研究与分析。接着从结构优化设计层面入手,将常用于多尺度信息融合的空洞卷积应用于卷积神经网络轻量化研究。利用空洞卷积等间隔采样与扩大感受野的特性,以保障感受野与特征图大小不变为前提,提出基于空洞卷积的卷积神经网络轻量化方法,具体包括基本型、改进型与融合型,实现了模型参数量与运算量的缩减。其中基本型空洞卷积轻量化方法使用一层空洞卷积近似两层普通卷积的表达能力,轻量化效果较好;改进型空洞卷积轻量化方法在基本型的基础上,利用1×1逐点卷积压缩特征图,提升了轻量化效果但网络准确率削减较剧烈;融合型空洞卷积轻量化方法将改进型方法与普通卷积融合,利用改进型方法实现轻量化、普通卷积保障准确率,有效地权衡了速度与精度。其次,本文在模型压缩层面以量化入手,使用分段方式对原始的二幂次量化方法与相加式二幂次量化方法进行改进,提出了基于分段量化的卷积神经网络轻量化方法,包括分段相加式二幂次量化方法与结合权重剪枝的分段二幂次量化方法。其中分段相加式二幂次量化方法面向较高比特量化场景,继承了相加式二幂次量化方法均匀分配增加量化分辨率优点的同时,利用分段方式使量化函数生成的基底更贴合原始全精度权重的分布。启发于权重剪枝可以将对网络影响小的权重剪除的原理,在面向较低比特量化场景提出了结合权重剪枝的分段二幂次量化方法,在量化过程中对部分小影响权重进行舍弃表达,使低比特量化有限的量化资源尽可能多地保留网络中大影响权重的趋势信息。最后,本文在CIFAR10、CIFAR100和KITTI数据集上进行基于空洞卷积的卷积神经网络轻量化方法的实验。在CIFAR10与CIFAR100数据集上进行基于分段量化的卷积神经网络轻量化方法的实验。将基于空洞卷积的卷积神经网络轻量化方法与基于分段量化的卷积神经网络轻量化方法联合,从结构优化设计与模型压缩两个层面实现卷积神经网络轻量化,在CIFAR10数据集上进行实验。实验结果表明,本文方法可以取得较好的轻量化效果。