随着计算机科学技术的飞速发展与相机设备的广泛普及,计算机视觉技术取得了长足的发展。在计算机视觉技术中,纹理特征作为图像识别、语义分割与场景理解等视觉任务的基础,在人脸识别、表面材质检测、工业检测、医学图像分析与遥感图像分析等领域得到了广泛应用。现有的纹理特征分类方法在识别精度与计算复杂度存在一些问题,并不适用计算资源受限的边缘计算平台。因此,为了提高纹理分类任务的性能表现,同时降低纹理分类模型的计算复杂度,本论文设计了基于深度神经网络的纹理分类方法,并通过结合网络剪枝与权重二值量化的压缩方法以及二值神经网络两种途径,实现深度神经网络的模型压缩与推理加速。网络设计方面,设计了面向纹理分类的局部纹理特征提取算子、局部纹理特征提取模块与深度神经网络。特别的,该局部纹理特征提取算子通过计算相邻像素间的像素差值并进行自适应的加权,从而提取输入图像中蕴含的纹理特征。此外,纹理网络设计时,采用纹理特征编码、双线性模型与迁移学习策略,从而实现高精度的纹理图像分类与端到端的训练。网络压缩方面,设计了结合网络剪枝与权重二值量化的压缩方法,该压缩方法包括基于通道L1范数的双向重要性评估方法、针对ResNet的通道匹配算法、剪枝保护策略与针对二值量化过程的正则约束方法。同时,本论文设计了针对权重二值量化的热身策略,该热身策略在训练的过程中逐步增加正则约束项的系数,驱使卷积核权重远离零点从而减少权重二值量化过程中的性能抖动,加快二值权重网络的收敛速度与性能表现。二值神经网络方面,设计了二值神经网络的局部激活方法、局部激活算子与局部激活网络结构。特别的,与传统的直接二值量化不同,该局部激活方法通过比较相邻像素点的数值差异从而判断局部激活值的大小,进而提取输入特征图内部的二值化纹理特征。此外,后向传播过程,本论文提出了一种基于分段渐进正弦近似函数的梯度近似方法从而减少梯度失配并实现更高精度的纹理任务分类。在总结全文工作后,本文对高精度的纹理分类任务、高压缩率的网络压缩技术与高精度的二值神经网络进行了展望。