卷积神经网络在肿瘤检测领域上取得了很多突出的成果,其中层次较深,性能优异的残差网络能够有效的保证肿瘤检测的准确性。但常规的残差网络参数量极高,在功耗和成本较低的嵌入式设备上存在推理速度慢,难以部署的缺点。因此,研究如何利用残差网络加速方法在嵌入式设备上实现低计算、低消耗、低成本的肿瘤细胞精准检测具有广泛的理论与应用意义。网络加速方法可以有效降低残差网络的参数量和计算量,但传统的加速方法局限于单一的网络结构优化和训练模型的压缩,加速效果受限。本文研究设计了一种结合网络结构优化和模型混合压缩的通用的嵌入式残差网络加速方法,并利用该方法实现了嵌入式端肿瘤图像的加速检测与应用。本文研究内容有:首先,设计了一种初始参数更少的残差结构,并利用该结构构建了加速的嵌入式残差网络。前期实验发现:原始的残差网络能够很好的保证肿瘤检测的精度,但构建它们的两种残差结构的参数量和计算量较高,针对这一问题,本文设计了一种优化加速的残差结构,该结构分为两层:第一层使用深度可分离卷积和线性优化的方法将常规卷积进行高效分解;第二层使用传统卷积进行特征提取。相比原始的残差网络嵌入式残差网络拥有更少的参数和计算。在Cifar10数据集上的实验结果表明:嵌入式残差网络可以在维持检测精度的基础上,降低40%以上的初始参数。其次,设计了一种混合压缩加速方法,该方法可以有效降低嵌入式残差网络模型的复杂度。训练生成的嵌入式残差网络模型还存在一定的网络冗余,针对这一问题,本文设计了一种混合压缩加速方法,该方法从网络的参数、计算和存储三个独立的方向对网络模型进行加速:一是裁剪特征提取能力较弱的卷积核与特征图,二是合并卷积层和BN层的计算,三是量化高精度的浮点数据。在Cifar10数据集上的实验结果表明:混合压缩加速方法使嵌入式残差网络模型的存储减少了76.9%,检测速度加快了53.8%,且精度损失较低。最后,结合上述两种优化方法设计了一种高效通用的嵌入式残差网络加速检测方法,并将该方法应用于嵌入式端肿瘤检测。目前,在嵌入式设备上难以直接使用性能较优,但参数较多的卷积神经网络进行肿瘤检测,针对这一问题,本文设计了一种低成本、低功耗的基于残差网络的通用的嵌入式端加速检测方法,该方法适用于嵌入式端肿瘤检测,在胃肿瘤数据集上的实验结果表明:加速检测方法极大的降低了嵌入式端肿瘤检测的内存和计算消耗,并能够维持肿瘤检测的精度为94.89%。