卷积神经网络的运行通常需要大量的存储与计算资源,这些限制条件使它们很难部署移动端或嵌入式设备中。因此需要通过神经网络模型压缩、轻量级卷积核设计与神经架构搜索等方式来降低神经网络的参数量与计算量。网络模型压缩是一个工作量大且困难的工作。神经网络架构搜索是在由各种卷积核构成的搜索空间中进行自动的网络架构搜索,输出较优的轻量级网络架构。因此,轻量级卷积核的设计是一项至关重要的工作。本文主要研究轻量级卷积核设计与基于该卷积核的神经网络架构搜索这两个关键任务。针对组卷积不同组的卷积核之间信息交流不畅,异构卷积跨通道信息融合连续性被破坏这两个问题,本文提出了新型的轻量级卷积核Dual Conv（Dual Convolutional Kernels,Dual Conv）设计。Dual Conv融合3×3和1×1卷积核并行处理相同的输入特征映射图通道并利用组卷积技术来高效排列各个卷积核,能够有效解决组卷积信息交流不畅和异构卷积破坏通道融合连续性这两个问题。本文将Dual Conv应用至标准和轻量级神经网络架构中,并在图像分类和目标检测多个数据集中进行测试。实验结果表明,Dual Conv在保持深度神经网络准确度的同时能够显著减少网络的参数量和计算量,在一些场景中甚至能够取得比原模型更高的准确率,证明Dual Conv具有很好的泛化能力。本文将Dual Conv应用在神经架构搜索（Neural Architecture Search,NAS）算法中,能够搜索出比原始搜索空间准确度更高的神经网络架构。本文针对现有神经架构搜索空间引入了过多的人为设计,而已有的神经架构搜索空间优化算法效率低这两个问题,设计了一种基于批归一化的搜索空间缩减（Batch Norm-based Search Space Shrinking,BBS）算法。BBS算法以极小的计算代价对搜索空间进行缩减,能够有效减少神经架构搜索算法的搜索耗时。在缩减后的子搜索空间中得到的神经网络架构比原搜索空间搜索得到的架构具有更高的准确度,说明BBS算法对神经架构搜索空间起到了正则化的作用。本文提出的新型轻量级卷积核Dual Conv,能够应用到现有的神经网络架构中,在保持神经网络准确度的同时能够显著降低网络的参数量与计算量,从而使神经网络在移动端或嵌入式设备中的部署成为可能。本文提出的基于批归一化的搜索空间缩减算法,能够应用至现有的神经架构搜索算法的搜索空间中,在显著降低神经架构搜索算法的耗时的同时具有一定的搜索空间正则化的作用。