近年来,作为人工智能关键技术的卷积神经网络得到了飞速发展,也获得了学术界和工业界的广泛关注。卷积神经网络已经在诸多计算机视觉任务中取得了突破性进展,比如图像分类、目标检测、图像分割和人脸识别等。因此,实现卷积神经网络的落地应用,对推动产业智能化,促进社会经济发展,建设世界科技强国以及完成“两个一百年”的奋斗目标具有重大战略意义。然而,由于实际应用场景的复杂性和约束性,卷积神经网络的落地应用通常存在以下问题:（1）卷积神经网络训练需要大量数据以保证模型性能,因此难以应用于只有少量训练数据的落地场景;（2）卷积神经网络模型参数量多,且推理计算代价高昂,因此难以应用于计算和存储资源受限的落地场景。为解决卷积神经网络落地应用的上述问题,本文提出了对应的解决方案。针对问题（1）,本文提出了一种基于注意力特征对齐的迁移学习算法。该迁移算法可以识别源域和目标域之间通道特征与空间特征的相关信息,进一步通过特征对齐匹配源域和目标域,从而保证深度迁移性能。针对问题（2）,本文提出了一种量化训练方法,即基于迁移学习的模型量化算法。该量化算法利用提出的注意力迁移量化和概率迁移量化高效挖掘全精度模型中所含知识,保证在只有少量训练数据情况下其迁移量化性能也是可靠的。此外,本文还以基于门锁设备的近红外人脸识别为典型应用,提出了近红外人脸识别模型迁移压缩的技术路线,完成了人脸识别智能门锁的上线与量产,实现了卷积神经网络模型产品化的经济收益。最后,大量的实验结果表明了本文所提迁移算法、模型量化算法以及典型应用技术路线的有效性。