近年来,计算机技术的迅速发展使得深度神经网络在人工智能领域得到广泛应用。同时,智能终端的普及和第五代移动通信技术5G的发展,也使得图片、视频等数据的获取变得更加容易,以大数据为驱动的人工智能技术应用场景得到进一步拓展。因此,根据不同应用场景设计高性能的深度神经网络具有现实意义。深度神经网络性能的评价指标包括准确率、计算量、参数量和推理速度等。影响深度神经网络性能的关键因素:一是神经网络结构的设计,在设计神经网络结构的过程中,需要权衡准确率、计算量和参数量等因素;二是深度神经网络所运行的硬件平台,不同硬件平台所搭载芯片的微架构不同,使得相同计算单元在不同硬件设备上运算速度不同。因此,设计亲和硬件平台的高性能神经网络结构十分必要,神经网络结构搜索也成为当前自动机器学习领域的重要研究方向之一。本文针对计算机视觉领域中图像分类任务和目标检测任务,进行了神经网络结构搜索方法研究,主要贡献和创新点包括:（1）基于One-Shot模型,采用进化算法,提出亲和芯片微架构的神经网络结构快速搜索方法,并在华为Atlas 300 AI加速卡上进行实验验证。实验结果表明,采用本文提出的方法搜索到的神经网络结构,与当前流行的图像分类模型Res Net50、Mobile Netv2和目标检测模型Yolov3比较,在精度相当的情况下,推理速度显著提升。（2）针对图像分类任务,构建了一个高性能的神经网络结构搜索空间,采用了亲和芯片微架构的实时硬件感知搜索策略,提出了候选神经网络模块动态、分层性能的评价方法,并应用在超网络训练剪枝和搜索过程中,提高神经网络结构的搜索效率。（3）针对目标检测任务,将图像分类任务的神经网络结构搜索策略应用于目标检测任务中,同时结合目标检测任务特点,构建了单阶段目标检测网络结构的超网络设计方案,提出了针对应用场景中目标分辨率进行搜索的网络结构设计方案。本文关注了神经网络结构搜索方法在图像分类任务和目标检测任务中应用,提出了若干改进的技术和方法,并通过实验证明了方法的有效性。