针对传统深度残差网络在对高光谱图像进行特征提取和分类过程中因参数量大导致的训练时间长的问题，提出一种基于深度可分离卷积的轻量化残差网络模型（DSC-Res14）。该模型首先基于一层三维卷积层对经主成分分析方法降维后的高光谱影像进行光谱特征和空间特征初提取；其次，引入3个不同尺度的三维深度可分离卷积残差层对影像的深层语义特征进行提取，减少了网络训练参数量，增强了网络对高维、多尺度空间特征信息的表达能力。经在公开的 Indian Pines 和 Pavia University 标准数据集上进行实验验证，结果表明：所提模型在两个数据集上的分类精度分别为99.46%和99.65%；对比同类模型，所提模型在保证较高分类精度的同时，参数量和计算量小，训练时间短，并具有良好的鲁棒性。

垃圾回收的好处有很多，有助于保护水土资源，提高居民的生活环境质量，加快绿色循环经济发展，然而传统的垃圾回收需要大量人力和物力。结合ShuffleNet v2与深度可分离卷积，提出一个更轻量化的YOLOv5s改进模型，将其用于对可回收垃圾的分类和定位。实验结果表明：改进模型的参数量仅为原始模型参数量的38.98%；在输入分辨率为640×640时，改进模型的平均精度均值（mAP）为94.01%，比原始YOLOv5s高出1.91个百分点；在速度上，通过在Jetson Nano硬件上进行部署，改进模型的前传耗时比原始YOLOv5s少了11.5%。另外，与目前常见的主流的目标检测模型对比，所提改进模型也具有很好的表达可回收垃圾特征的能力。

针对传统方法在室内场景目标检测中存在检测精度低、检测速度慢等问题，提出一种改进的YOLOv4算法模型。构建室内场景目标检测数据集，使用K-means++聚类算法优化先验框参数，提高先验框与目标的匹配度；调整原始YOLOv4的网络结构，将跨阶段局部网络结构融入模型颈部网络中，消除在特征融合阶段梯度反向传播导致的梯度信息冗余现象，提高对室内目标的检测能力；引入深度可分离卷积模块，取代模型中原有的3×3卷积层，减少模型参数，提升检测速度。实验结果表明，改进后的YOLOv4算法在室内场景目标检测数据集上的平均精度达83.0%，检测速度达72.1 frame/s，较原始YOLOv4算法，分别提高了3.2个百分点和6 frame/s，同时模型规模缩小了36.3%，优于目前其他基于深度学习的室内场景目标检测算法。

针对基于深度学习的遥感目标检测算法参数冗余、计算量大且实时检测性能较差的问题, 提出了一种基于深度可分离卷积的实时遥感目标检测算法。首先通过K-means++算法对数据集进行锚框(Anchor)聚类分析, 使锚框参数更加符合遥感检测场景。为了降低模型参数量、提升检测速度, 以轻量级网络MobileNetv3作为主干网络进行特征提取; 此外, 基于深度可分离卷积的PANet(Path Aggregation Network)结构的设计, 使网络参数量进一步降低。改进后模型参数量仅为原来的18.3%, 检测速度提升2.19倍, 在UCAS_AOD, RSOD, DIOR这3个遥感数据集上进行测试, 实验结果表明, 算法鲁棒性强, 能够在保证模型检测精度的同时有效提高检测实时性。

针对Tiny YOLOv4目标检测算法在行人检测中精确度低和召回率不高的问题，对特征提取网络及预测网络进行改进。在特征提取网络部分采用深度可分离卷积网络取代传统卷积网络，这减少了参数并降低了计算量；将注意力机制模块加入特征提取网络中以增强检测目标的感兴趣区域，提高检测精确度；在预测网络部分增加一个预测尺度，对增加的尺度进行特征增强处理，以提升目标检测的召回率。实验结果表明，与原算法相比，改进后的Tiny YOLOv4算法的检测精确度提升了7.1%，召回率提升了6.6%。

针对目前大多数人脸识别算法参数多、计算量大, 难以部署到移动端和嵌入式设备中的问题, 提出了一种基于改进MobileFaceNet的人脸识别方法。通过对MobileFaceNet模型结构的调整, 将bottleneck模块优化为sandglass模块, 改良深度卷积和逐点卷积的相对位置, 适当增大sandglass模块的输出通道数, 从而减少特征压缩时的信息丢失, 增强人脸空间特征的提取。实验结果表明: 改进后的方法在LFW测试数据集上准确率达99.15%, 模型大小和计算量分别仅为原算法的61%和45%, 验证了所提方法的有效性。

为提高垃圾分类的自主化和智能化程度，垃圾桶需要配备视觉传感器和搭载有效的垃圾检测与分类算法的智能硬件。针对该需求，提出了一种基于改进型YOLOv3的智能化垃圾识别分类算法。首先，引入MobileNetv3网络代替YOLOv3的主干网络Darknet53，并加入空间金字塔池化结构，在减少网络模型计算复杂度的同时保证模型准确率；其次，采用4个不同的尺度检测加强模型对小目标的检测能力；然后，采用complete intersection over union （CIOU）损失函数替换原有YOLOv3模型的损失函数，进一步提升模型的精确度；最后，搭建家用垃圾桶测试平台，并将所提算法移植到边缘计算模块NVIDIA Xavier NX上。实验结果表明，所提轻量化优化算法在服务器和NVIDIA Xavier NX平台上对于自主建立的垃圾数据集平均精度一致，达到了72.1%，比YOLOv3提高了4.9个百分点，比YOLOv4略低1.6个百分点；检测速度分别达到了74，19 frame/s，远高于YOLOv3算法的43，8 frame/s及YOLOv4算法的50，11 frame/s，表明所提算法满足边缘计算设备的要求，具备潜在的应用价值。