近年来,深度神经网络在诸多计算机视觉任务中都取得了最先进的成果。然而,网络如此优异表现的背后,往往对应着复杂的结构、高达数百万甚至数十亿的模型参数。训练这些大型网络需要很高的算力和时间成本,并且过参数化模型所带来的巨额部署成本使其在移动设备端的应用受限,在实时性要求高的任务上也没有优势。知识蒸馏是一种有效的模型压缩和知识转移技术,它建立在教师-学生模型框架之上,通过让学生匹配教师模型的输出或有效特征,将大型教师网络的知识转移到相对小型的学生网络中,从而获得一个精度媲美大型网络的轻量级学生模型。然而,传统师生蒸馏框架存在着能力不匹配的困境,随着教师网络规模的持续增大,知识蒸馏后的学生网络的性能表现为先提升后下降。这表明师生模型间过大的能力差距会损害知识蒸馏的效果,容量越大精度越高的教师,其指导出的学生的性能不一定越好。针对传统知识蒸馏的上述困境,本文提出了一种基于多教师同构网络的知识蒸馏算法,MHT-KD,将一个传统大教师替换为与学生结构相同的一组小教师模型,学生模型从教师组联合提供的知识中进行学习。多教师同构的知识蒸馏主要包含两个阶段:在阶段一,分别对教师组的每个子教师成员进行初始化和预训练,保证各教师成员能提供多样化的知识;在阶段二,教师组每个成员同时且单独地向学生网络传递知识,各教师成员与学生之间是一对一的指导关系。由于教师成员与学生同构,缩小了师生间过大的能力差距,知识可在师生间进行有效传递。在多教师同构框架的基础上,本文进一步提出了一种基于教师组自信度的自适应初始化策略。根据教师组在训练过程中的自信程度,自适应地对学生网络使用不同的参数初始化方法。当教师组过度自信时,学生网络使用常规初始化方法,否则将从教师组中选择一位教师成员,使用其全部模型参数对学生网络进行初始化,并完成后续蒸馏过程。为进一步提升学生模型性能,本文设计了一种基于网络分类层的特征相似度损失函数,通过约束网络分类层参数的相似性,来间接影响网络所提取特征的有效性。该损失函数既可应用于基本的图像分类任务,也可与多教师同构蒸馏框架兼容。同构教师组、基于教师组自信度的自适应初始化策略以及基于网络分类层的特征相似度损失函数,这三部分构成了本文所提出的MHT-KD算法。本文在多个图像分类数据集和不同网络模型上进行了大量实验,相比于经典知识蒸馏,MHT-KD获得了显著的学生模型精度提升。相比于其他知识蒸馏算法,MHT-KD也表现出一致的精度优势。本文所提出的知识蒸馏算法,能有效缓解师生模型间过大的能力差距所导致的负面效果,提升学生精度,对研究师生蒸馏框架下的有效知识转移模式具有一定的指导意义。