深度模型性能提升的同时,模型参数增加、内存使用资源增加、训练时间过长、计算量过大等问题接踵而至。这些问题使得嵌入式设备、集成设备等资源受限机器无法正常使用,从而影响深度学习的应用推广。在此背景和市场需求下,针对模型压缩方法的研究具有重要意义,知识蒸馏是一种近几年来被广泛关注的模型轻量化方法,学生模型通过模仿教师模型进行训练。学生网络模型在教师网络模型的指导下,可以更好地学习数据集中的结构化知识。基于此,根据两种不同的任务角度,提出了相应基于知识蒸馏策略的改进优化方法。主要工作内容如下:（1）基于知识蒸馏,提出了多模块训练方法。分析了当前知识蒸馏方法在分类任务中的局限性,利用知识蒸馏模型的独特性,将蒸馏过程分为多个模块,若干教师网络模型特征学习模块和一个自学习模块。在教师网络模型特征学习模块中,每个模块之间不受影响,损失函数采用独立计算的方式进行;在自学习模块,舍弃教师网络模型相关权重,使用学生网络模型直接在数据集中进行训练。（2）提出了基于锚点的样本框检测方法（GT-KD）。利用锚点和真实样本框进行相关性计算,从网络模型维度上生成特征GT掩码,从而避免了复杂的数据预处理。通过对GT掩码过滤阈值进行相应调整来满足训练时不同阶段和精度的需要。并提出特征适配函数,学生网络经过特征适配函数的变换,将会得到与教师网络相同的结构,有助于后续的蒸馏步骤进行。（3）设计并实现了基于知识蒸馏的无人车环境感知系统。基于上述研究成果,将GT-KD样本框检测方法应用于感知系统中物体检测功能,有效减少工控机内存使用量,提高运行速度。并将预测结果绘制在视频中,通过可视化界面进行展示。系统设计实现了硬件监测系统,系统的资源使用情况和功能配置都可以通过前端界面进行查看和调整。通过对公共数据集的实验证明,多模块训练方法可以有效地提高分类水平,在Imagenette数据集中,学生网络模型准确率达到97.4%,与教师模型的差距缩小到了1.8%。经过GT-KD方法得到的物体检测模型有比小型网络独自训练更好的效果,在MS COCO数据集中准确率提升了3.2%。将GT-KD方法结果应用到无人车环境感知系统后,硬件资源有限的情况下也可以流畅运行多个网络模型。