随着计算机视觉的不断发展,卷积神经网络在图分类领域不断进步,运用卷积神经网络对图像分类,相较于传统的图像处理方法更加高效与方便;随着卷积神经网络的不断进步,研究人员们提出了很多结构更加复杂、层数更加深的卷积神经网络模型,但随之而来的即是效率问题,结构复杂的卷积神经网络虽然会有较好的准确率等优势,但是具有效率不高、参数量大和计算量高等是不可忽视的短板,因此提出轻量化卷积神经网络,在保证准确率的同时能够提高图像数据分类的效率降低参数量并且可以用于小型终端设备中,因此轻量化卷积神经网络的研究具有深远的意义和影响。论文的主要研究成果如下:(1)对基于深度学习的图像分类算法及原理充分研究,其中包含图像分类过程中神经网络的算法原理、算法过程和激活函数等相关理论。接着特别对传统的三种经典卷积神经网络Alex Net、Vgg Net和Google Net充分研究,根据三种网络在图像数据集Image Net2012上的分类准确率、各个网络的参数量和计算量分析,分析结果表明虽然能保证网络的分类准确率较高,但是三种深层网络的参数量与计算量较高即网络的效率较低,因此需要进行下一步基于图像分类的轻量化网络的研究。(2)对轻量化卷积神经网络Squeeze Net充分研究,提出了基于轻量化卷积神经网络Squeeze Net的Vans Net网络,该网络针对Squeeze Net由于压缩了参数,存在准确率不理想的问题,提出了引入残差网络来增加跳层结构以及拓宽网络宽度的方案,然后将Vans Net与Alex Net、Res Net和原网络Squeeze Net做实验比对分析其图像分类的准确率、网络的计算量与参数量,实验结果表明改进后的Vans Net在两种数据集下的图像分类准确率均高于Squeeze Net,在轻量化方面均优于Alex Net与Res Net。(3)提出分组信息融合策略的应用,对分组卷积与特征融合充分研究,分组卷积的思想意在减少计算量和参数量来提高效率,随之而来的就是分组后组间信息不流通的问题,因此引入特征融合的思想来解决这一问题,同时引入批归一化提高网络效率来设计Xans Net轻量化网络,首先设定不同的分组确定Xans Net的分组数,确定其分组数后提出Xans Net的设计方案并完成设计,接着将Xans Net与其他四种网络结构在两种不同的数据集下做图像分类实验对比分析,最后根据实验结果分析得出结论,实验结果证明Xans Net分类精度上具有较好表现。