图像识别技术已经被广泛应用到各个领域当中。例如文字识别,物体辨别,人流监测,违章拍照等。人们对于图像识别的研究已经进行了很多年。在已存在的算法中,主要包括两大类。一类是基于图像处理的传统图像识别算法;一类是基于人工智能的新型图像识别算法。传统的图像识别算法花费时间长,不能达到实时处理,且准确率不高。基于人工智能的图像识别算法较前者相比算法简单,且速度快;能够学习到更加高级的图像特征,从而提升图像识别的准确率,因此被广泛应用。本文重点研究基于卷积神经网络的图像识别模型压缩和加速技术,提出了基于人工神经网络的复杂度低、识别准确度高、效率高效、且快速实时的图像识别算法。本文对现今存在的各种基于人工智能的算法进行了分析,并通过实验归纳总结出每一类算法的应用特点及其不足,并针对特定问题选择了其对应的最优算法组合。在此基础上,利用人工神经网络的加速方法,对于卷积神经网络图像识别技术进行了算法的改进,本文的主要研究成果如下:1.针对现有的卷积神经网络结构,比较了现有的神经网络加速方法并提出了一种在工程中可实用且有效的剪枝加速方法,能够快速而有效地将网络进行加速优化,剪枝之后模型的精度与原来相差不到1%,但是模型的速度可以提高到原来的十倍甚至更多。2.基于deep rebirth和本文中提出的剪枝算法,提出将deep rebirth和剪枝技术进行结合进行进一步的加速优化。通过结合两种加速方法在不同层面上的加速优化,使得网络模型和网络速度比单个优化的情况具有更优秀的性能。3.针对卷积神经网络结构,提出了一种基于模型转换的模型压缩方法。通过将大型网络使用小型网络替代,保持了大型网络原有的精度,并且能够利用小型网络的计算便利性,从而达到模型内存优化压缩的目的。通过借鉴了 mobilenet模型,将网络由预训练模型转换到mobilenet网络模型,从而将原有的大型网络压缩成小型可运行的网络模型并且精度与原来相差不到1%,模型大小降为不到原来的十分之一。