近些年,计算机视觉应用在医疗、工业、智能驾驶等各种领域,都取得了不错的效果。随着场景复杂化,对网络模型的性能需求更大,模型复杂度也变得更大,巨大的参数和计算成本阻碍了神经网络在移动设备上的部署。小型神经网络虽然更适合在移动设备上应用,但普遍存在识别精度较低,泛化性能不佳等问题。因此,设计更加高效的轻量化神经网络具有重要意义。本文设计的分类和检测模型都能有效地降低参数量和计算量,使网络更加轻量化的同时,还能提高模型的性能。论文具体的研究内容及贡献如下:（1）针对大型目标检测网络难以部署在移动设备上的问题,设计基于MobileNetV2的轻量化目标检测网络。对Faster R-CNN、SSD、YOLOv4这三种主流检测网络结构进行改进。采用轻量化网络MobileNetV2作为检测模型中的特征提取网络,模型其他部分卷积改为深度可分离卷积。在PASCAL VOC数据集上实验表明,改进后的三个网络的参数量和计算量平均降低90%左右。（2）在现有轻量化分类神经网络的基础上,为了进一步降低参数和计算量,提高运行速度和精度,设计了一种改进的轻量化分类网络模型Mobile Ne St,它由高效的移动反向残差模块和注意力模块构成。在CIFAR100分类数据集上实验表明,Mobile Ne St的基准网络Top-1精度达到了72.77%,参数量只有1.25M,与Mobie Net V2网络以及其他先进的轻量化图像分类网络相比,结构更加轻量化,性能更加优异。（3）针对现有的垃圾检测网络模型存在识别率低,鲁棒性较差,较难实时检测等问题,设计了一种基于特征融合的轻量化检测网络GD-YOLO。模型以YOLOv4网络为框架,结合Efficient Net轻量化特征提取网络。在双向金字塔部分,设计了轻量化反向CSP模块,改进了池化特征融合方式,并且采用了快速标准化加权特征融合和Focus下采样操作。在华为垃圾检测数据集上实验表明,GD-YOLO的平均精度为74.71%,参数量比YOLOv4减少了82.37%,检测速度达到35 FPS,有效地提高了垃圾场景下的检测性能。