近几年来,深度学习在计算机视觉应用方面取得了巨大的成功,受到国内外研究者和互联网企业的追捧。标准卷积神经网络作为深度学习领域重要的基础算法,在图像识别和目标检测领域得到了广泛的应用,各种优秀的卷积网络结构相继被提出。随着社会需求的迅速发展,越来越多的应用场合都亟待人工智能技术的引入,作为近年来取得巨大成功的深度学习技术,在许多应用场合还面临着挑战,如深度卷积神经网络的参数计算量过大、对硬件要求高、推断实时性难以保证以及在数据集较小时容易过拟合难以保证泛化能力等,因此轻量化的深度神经网络得到了快速的发展,传统的轻量化方式是对单个模型进行去冗余处理或是进行单个轻量模型设计。本文围绕卷积神经网络的模型结构特点,将集成学习运用到轻量化卷积神经网络的图像识别和目标检测研究中,使模型具有更好的泛化能力。主要研究工作和成果包括:（1）针对多分类标准卷积神经网络模型的概率向量输出特性,提出了一种基于卷积神经网络结构的模型集成多样性度量Dpv方法。采用概率向量输出方式来表示模型分类结果,引入两个向量的差异性,利用每一个训练样本计算模型输出结果之间的差异性来评估多样性。在数据集CIFAR-10和CIFAR-100上进行实验,训练得到多个不同卷积神经网络分类器并进行基于多样性度量方法的评估对比。实验分析得到:在CIFAR-10数据集上本文方法和双错方法相近,且优于不一致性和Q统计方法;在CIFAR-100数据集上,相比于双错度量、Q统计和不一致性方法,本文提出的方法是最优的。（2）提出了一种轻量化卷积神经网络集成模型M-Res Net。首先基于公开数据集10-monkeys[84]和5-flowers构建8个轻量化卷积神经网络基模型,利用Dpv方法计算基模型之间的多样性统计值,筛选得到多样性最大的基模型是Res Net-50和Mobile Net-V2,得到集成模型M-Res Net;再模拟工业移动机器人环境采集到五种零件数据集,并基于此数据集构建8个基本轻量化卷积神经网络模型,利用Dpv方法评估模型的多样性,通过在零件数据集上验证最优集成模型M-Res Net的有效性。（3）利用轻量化卷积神经网络集成模型开展在机器人零件目标检测的应用研究。以五种不同类型的螺钉和螺母作为检测对象,基于SSD目标检测算法框架,将轻量化CNNs集成模型M-Res Net作为特征提取主干网络,采用多尺度训练、网络预训练和数据增强等优化方法,最终得到零件检测的模型结构。实验结果表明,本文提出的改进SSD算法检测框架的识别效果较好。