近年来,以卷积神经网络为代表的深度学习方法在医学图像的分类、分割等任务上取得了超越传统方法的成绩,得到了越来越广泛的研究和应用。但是,一方面,由于医学图像的特殊性,适用于自然图像的深度学习模型在用于医学图像上时,模型精度会有所下降;另一方面,现存的深度学习模型普遍计算量大、参数过多,应用于硬件资源受限的设备时存在一定难度,大模型也在训练集数据少的情况下出现过拟合的问题。为了改善和解决上述问题,本论文围绕模型本身和知识蒸馏方法进行研究,主要研究内容和贡献如下:（1）针对医学图像分类模型压缩中传统知识蒸馏框架训练得到模型精度下降的问题,分析了传统知识蒸馏框架的理论原理,研究了基于知识蒸馏的医学图像分类模型的压缩方法,提出了基于层级连接的混合知识蒸馏方法,对比实现的传统知识蒸馏算法,在十种图像类别的数据集上通过实验评估提出的算法与传统算法的优劣,验证了提出算法的有效性;（2）针对眼底图像视盘分割中现有方法出现的感兴趣区域分割不完整、边缘分割不精确的问题,对于常用的医学图像语义分割网络,研究了对UNet的结构性优化,提出了多尺度表征连接模块（Multi-Scale Connection block）以增强网络的跨层连接性,另外提出了边缘感知损失函数（Edge Aware Loss）,来加强模型对感兴趣区域边缘的感知能力。通过在多个数据集上进行实验,验证了提出方法对模型的性能提升;（3）针对医学图像语义分割模型压缩任务上传统知识蒸馏算法的精度下降问题,研究了基于知识蒸馏的医学图像分割模型的压缩方法,对比传统知识蒸馏算法,提出在模型编码器和解码器路径上对多层中间特征进行知识蒸馏,并联合使用教师网络预测软标签和真实值硬标签对学生网络进行训练,同时应用了前述提出的基于层级连接的混合知识蒸馏方法和多尺度表征连接模块到模型中,并在多个数据集上通过实验评估提出的算法与传统算法的优劣,验证了提出算法对模型精度的提升。实验表明,本论文提出的方法在医学图像模型压缩任务上取得了不错的效果,较传统方法有着一定的性能提升。