唇语识别,又称唇读,指仅依靠说话者唇部运动图像序列,即可解码出对应的文本序列的技术,在安保监控、司法审判、个体身份认证等领域都有潜在的应用价值。由于协同发音现象以及个体差异性过大,传统的一些技术手段在解决唇读问题时遇到了或多或少的瓶颈。随着海量数据的爆炸式井喷和并行算力的大幅度提升,许多研究者转而引入深度学习技术解决唇语识别问题。然而,深度模型的巨额参数量和复杂的运算流程带来了高昂的时间成本和空间成本,在这个移动终端时代,难以被直接迁移到诸如智能手机一类的资源受限型设备中。因而,本文通过对当前基于深度学习的唇读模型和深度模型压缩与加速算法两部分的广泛调研,结合各自优缺点,从实时性出发,兼顾模型性能,创新性的将知识蒸馏算法引入到唇语识别领域,设计并实现了基于多种知识蒸馏方式的唇读模型压缩与加速系统。本文的主要工作及创新点包括:(1)本文首次将知识蒸馏方法迁移到唇读领域,在主要针对分类问题的标准知识蒸馏框架的基础上,创造性的融合序列标注过程中的逐时间步解码方式,提出逐时间步累加的蒸馏方式,并在自行录制的中文数据集上进行多种对比实验分析,验证了蒸馏方案的有效性;(2)本文借鉴集成学习与提升方法的核心思想,基于对于结构相似、功能相近的网络模型,如果整体效果最优,则大概率可认为其部分效果也最优的前提假设,设计并实现了基于多教师动态权重蒸馏的学生网络,避免了人工设计权重函数的主观性和盲从性;(3)针对教师模型中可能存在的信息过载问题,本文结合注意力机制,首次提出了基于层内注意力与层间注意力相互结合的知识蒸馏算法,使得学生模型聚焦对唇读任务更为关键的信息,具有一定抗信息过载能力,提高数据处理的效率和识别的准确性。最终,本文设计并实现了一个轻量级自动化唇读系统,并在自行录制的中文句子级别数据集上进行了仿真对比实验,性能效果进一步验证了知识蒸馏方法的有效性与可靠性。