近年来,随着深度学习技术的发展,卷积神经网络在计算机视觉任务中取得了卓越的成绩,使用DenseNet等高性能网络训练的物体识别模型已经达到和人类相似的准确率。然而,这些高性能模型通常包含大量的参数量和计算量,在边缘设备部署时会出现内存占用大、资源能耗高、计算实时性差的问题,因此无法直接应用于资源受限的边缘设备。为了解决上述问题,本文选取了轻量级神经网络和网络剪枝两个重要方向,面向输电线路巡检场景,研究并设计了不同的模型压缩算法,将压缩后的模型移植到边缘设备。本文的主要工作如下:1)为了解决DenseNet计算量大、实际运行效率低的问题,本文从增强模型特征表示能力出发提出了一种基于深度可分离卷积的轻量级神经网络Sparse Net,该网络包括三个模块:多感受野的深度可分离卷积模块、稀疏连接的分组特征重激活模块以及通道关联和空间关联的双注意力模块。其中,多感受野的深度可分离卷积模块通过多条并行支路提取不同感受野的特征图,使用深度可分离卷积降低网络整体的计算量;稀疏连接的分组特征重激活模块一次性聚合所有的特征图,并重激活冗余特征,加强网络在深度方向的特征复用能力;注意力决策模块在空间和通道方向上进行信息交互,增强显著特征,加强模型的特征表达能力。在公开数据集上的实验表明,Sparse Net明显优于广泛使用的网络模型。2)为了进一步降低模型的复杂度,本文基于超网络提出了一个通用的自动剪枝算法SPA。该算法以网络结构的搜索代替通道重要性的衡量,具体包括:超网络的训练、最优网络结构的搜索和权值微调。其中,超网络使用随机策略采样网络结构,通过梯度下降算法优化网络权值;使用改进的粒子群算法搜索性能最优的网络结构;微调最优网络结构的权值,获得剪枝后的网络模型。实验表明,SPA可以大幅压缩模型的参数量和计算量,与其他剪枝算法相比,具有较强的竞争力。3)完成了绝缘子缺陷识别模型在安卓设备的移植。以Sparse Net作为基础网络,在绝缘子数据集上训练神经网络;使用SPA算法剪枝Sparse Net;重建剪枝后的模型,并通过Py Torch Mobile框架完成模型的移植。安卓端的测试结果表明本文提出的算法能极大降低深度学习网络的参数量,解决运行缓慢的不足,优化后的模型可以有效地部署在安卓设备上。