图像分类作为计算机视觉领域的基石,在图像、视频数据爆炸式发展的今天显得尤为重要,并具有巨大的现实意义。深度学习在图像分类领域不断发展,做出了许多巨大突破,与此同时如何再次提升模型准确率、开发模型潜能以适应有限的硬件资源成为了热点问题之一。知识蒸馏作为知识迁移的具体实现手段,在模型压缩领域发挥了巨大作用。本文运用知识蒸馏的自蒸馏思想,优化了网络模型的训练策略,提出了基于训练过程的并联知识迁移训练架构,使网络模型训练过程中不断通过网络输出进行基于目标的自蒸馏,达到使用同构模型在相同领域中实现网络模型精度提升的目的。在传统知识蒸馏的实现中,需要预训练出教师网络,教师网络一般是精度更高、结构更复杂、参数更庞大的网络模型,通过教师网络强大的特征提取和识别能力,以网络输出logits为载体,结合真实标签,对待训练的学生模型进行知识蒸馏并提升学生模型精度。自蒸馏思想是利用同构模型或者仅利用模型自身进行知识蒸馏,以达到自我精度提升的目的。本文结合自蒸馏思想,改进了传统训练架构,以同构模型并联训练的方式,在训练过程中不断进行相互之间的知识蒸馏,使两个模型在每轮训练中学到的知识都能及时进行信息传递与同构模型之间的自蒸馏,达到模型迁移的效果,相互之间有效对抗过拟合,共同提升模型精度。本文为训练优化策略提出了两种具体的实现方式——基于数据增强的优化策略与基于同类特征的优化策略。基于数据增强的优化策略下,并联的两个网络保持输入数据的一致,通过随机的数据增强使数据产生差异化,通过蕴含不同模型知识的网络输出进行基于目标的知识蒸馏,完成训练过程中的模型迁移,实现精度的提升。基于同类特征的优化策略会控制并联网络的输入数据为同一类别数据,卷积网络输入同类数据会产生具有该类共同点的特征,其输出logits也蕴含了该类型的偏好,以此进行基于目标的知识蒸馏,实现精度的提升。通过Cifar-100、Tiny-ImageNet200、SVHN三个各具特色的图像识别常用数据集进行实验验证,以具体的实验精度与网络训练损失值论证了本文提出优化策略的有效性。通过实验探讨了蒸馏相关系数的选取问题,并通过在三个数据集中与Baseline和不同深度的基础模型进行了横向和纵向的对比,验证了本方案良好的提升效果与普适性能。