近年来随着人工智能的发展,深度神经网络以其优秀的特征提取能力,在图像等领域陆续取得了令人惊叹的成绩甚至在某些领域已取得远远超过传统机器学习方法的成绩。复杂的网络结构和大量的训练数据为神经网络踏上卓越发展道路提供了强有力的支撑。然而,网络模型庞大的参数量和巨量的计算量也限制了深度神经网络在资源有限的移动端上的部署和发展。但实际上,研究人员发现深度神经网络庞大的参数中有很大一部分都是冗余的。为了服务于移动端,在保持网络性能的基础上对网络进行压缩和加速的想法便应运而生。但是当前压缩方法还存在诸多不足,基于此背景,本文重点对深度卷积神经网络的模型压缩和加速算法进行研究,主要工作如下:针对基于知识蒸馏的压缩方法,本文通过类比真实教学场景中老师向学生传授知识的过程,提出了一种基于特征图的知识迁移方法,让学生模型向老师模型学习中间层的知识,模仿学习思路。通过对比实验证明,基于特征图的知识蒸馏方法作用下的学生模型可以获得比现有方法更好的性能。然而上述的知识蒸馏方法与现有的知识蒸馏方法大多一样,通过一次知识迁移过程将老师模型的能力迁移至学生模型,没有考虑到当老师模型与学生模型之间的规模差异较大时,学生模型无法很好地去模仿老师模型能力的问题。本文通过引入一个辅助模型的方式,使用一个规模介于老师模型与学生模型之间的模型作为辅助,将蒸馏模型分为两个蒸馏过程,弥补老师模型与学生模型之间的规模鸿沟。通过实验对比证明,该方法能够获得比现有方法更好效果。最后,在上述方法结合的基础上,设计实现了一个基于特征图的多级蒸馏模型压缩算法的嵌入式交通标志识别系统。在嵌入式平台上对模型进行性能测试,实验结果证明,本项工作可减少模型在嵌入式设备的模型推理时间,并在执行交通标志识别任务时取得了不错的成绩。