近年来,伴随高性能计算和大数据的发展,深度学习技术掀起了人工智能领域的研究热潮。作为深度学习的代表性模型,人工神经网络从结构、机理和功能上模拟人脑神经系统,实现高维、复杂数据的端到端学习。随着研究的深入,神经网络架构优化和超参数调优变得极其繁琐且强烈依赖领域专家经验。神经架构搜索（Neural Architecture Search,NAS）旨在自动化神经网络的架构设计流程,降低其对专家知识的依赖和人力消耗。作为自动机器学习（Automated Machine Learning,Auto ML）技术在深度神经网络设计领域的探索,NAS已成为了自动深度学习（Automated Deep Learning,Auto DL）全流程关键环节。资源感知NAS综合考虑架构精度、推理效率、平台资源消耗等指标,以搜索出面向特定资源平台的高效部署、高推理精度的网络架构。然而,当前该领域研究仍存在一些关键问题,包括:资源感知NAS效率有待提升,需从搜索策略、架构评估、资源感知策略等各方面改进;搜索空间、搜索策略的设计较少考虑待部署平台体系结构属性,即软硬件协同搜索与设计,也未涉及面向未来智能计算的非冯体系结构平台。本文探索了资源感知NAS领域搜索空间、搜索策略、评估方法、部署性能等关键技术问题,提出了针对传统体系结构和存算一体化体系结构资源平台的架构搜索方法和框架,具体工作及创新点总结为:1.针对可微架构搜索框架无法兼容处理不可微搜索目标,例如能源、时延、内存消耗、资源感知搜索目标等,以及基于独立启发式搜索策略的多目标NAS效率低、开销大的问题,本文提出了基于可微超网络和策略梯度优化（直接针对架构参数变量）的多目标NAS框架,其兼顾了可微架构搜索的高效性和多目标架构搜索良好的搜索目标兼容性,在图像分类数据集中展现了良好的精度和效率。该工作可为资源感知NAS提供搜索策略支撑。2.针对资源感知NAS中平台资源感知代价高,而基于代理模型的资源感知方法涉及较大数据采集开销,且难以泛化大规模搜索空间、预测偏差大等问题,本文提出了针对大规模空间(Mobile Net V3,规模为1025)的时延/精度数值回归、二元关系预测代理模型,以及基于多任务学习的架构二元关系联合预测/排序代理模型。实验表明,二元关系预测代理模型在给定少量标签数据点（例如100）下获得尚佳的预测效果。同时,基于多任务学习的二元关系预测模型可实现多指标联合学习,取得了优于单任务学习的预测和排序效果。该工作可为资源感知NAS提供低成本资源感知方式。3.当前资源感知NAS领域研究较少考虑非冯存算一体化（Processing-in-memory,PIM）平台资源属性,本文实证研究证实了网络架构同定点数量化、比特级稀疏性之间的相关性,即特定架构搜索空间中存在对非结构化比特级稀疏特性具有更高忍耐度的架构,其更易于在PIM资源平台上高效部署。进一步提出了面向PIM资源特性的架构搜索方法,搜索特定空间内耐比特级稀疏的网络架构,旨在显著降低网络在PIM平台下部署的ADCs资源消耗,同时,从网络架构优化的角度适当弥补定点数量化以及比特级稀疏所带来的模型精度损失。4.基于PIM资源平台的图神经网络（Graph Neural Network,GNN）计算通常涉及大规模图数据（如邻接矩阵）在Crossbar整体映射,而目前制备技术难以高产率制造大尺寸Crossbar。针对该矛盾,本文提出了基于稀疏Laplace矩阵重排序和对角分块矩阵向量乘法的谱图卷积网络（Graph Convolutional Network,GCN）部署方案,显著提升了离散小规模Crossbar利用率。以此为背景,鉴于大规模图/矩阵基于PIM平台部署的资源消耗特性,本文进一步将图/矩阵数据映射方案形式化为0-1序列决策问题,提出了稀疏感知动态映射方案搜索方法,以满足PIM平台资源对模型部署的实际约束,在大规模图数据集上的映射方案搜索实验取得了显著效果。5.NAS应用研究方面,本文在人像/人脸图像分割任务中引入NAS技术,设计了基于编码器–解码器的高效搜索空间,利用强化学习搜索策略对解码器架构进行搜索,所得架构在三个人像/人脸分割数据集上取得了显著超越人工网络的精度表现。进一步,为提升架构搜索及模型部署效率,采用了轻量化的预定义编码器模型,同时构建了多目标NAS框架,设计了两阶段训练、特征图预计算等方法,以提升架构评估效率。为应对轻量化模型低保真度评估偏差大的问题,引入知识蒸馏技术以辅助代理训练任务。该应用研究中提出的搜索过程效率提升策略和轻量化模型评估策略值得推广至NAS社区其他应用场景。