随着信息技术的发展,数字图像深入到我们生活中的方方面面。深度学习是近年来在人工智能领域引起关注的研究主题。作为深度学习的经典模型,卷积神经网络（CNN）在图像分类,对象检测和自然语言处理方面取得了一系列重要的突破。卷积神经网络模型具有计算复杂度高和参数量大的特点,正是这种复杂的多层网络结构为模型提供了强大的特征表示能力。智能设备的普及增加了将卷积神经网络移植到嵌入式设备的需求,但是其巨大的参数冗余和计算成本限制了它们在嵌入式设备（尤其是移动设备）中的部署。轻量化卷积神经网络的需求不断增加,于是神经网络压缩算法应运而生。本文通过对现有的卷积神经网络压缩算法的研究,聚焦于参数量化方法中的二值化方法,提出了两种在保持模型效果的前提下能够有效减少模型参数存储空间的二值卷积神经网络结构。本文主要内容如下:（1）本文设计了一种名为Modulated Binary Clique Net（MBClique Net）的新型紧凑型便携式深度学习网络,旨在提高基于二值化滤波器的卷积神经网络的可移植性,同时实现与Res Net之类的高精度卷积神经网络相当的性能。MBClique Net由调制卷积模块构成,该模块含有一个特殊的调制滤波器和一个二值卷积滤波器,本文设计了一种特殊的调制操作,该操作利用调制滤波器和二值卷积滤波器生成用于做卷积运算的重建卷积核,以弥补二值化卷积滤波器带来的精度损失。与全精度模型相比,MBClique Net可以将卷积滤波器所需的存储空间减少至少32倍,并且比其他最新的二值化模型具有更好的性能。更重要的是,本文的模型在所使用的数据集上与高精度模型（如Res Net）相比甚至更好。（2）四元数卷积网络在特征提取能力上比普通卷积网络更有优势,针对四元数卷积网络相较于普通卷积网络参数量多一倍的问题,本文提出了基于局部二值神经网络的四元数局部二值卷积神经网络（LBQCNN）。本文提出了将四元数卷积操作替换两个四元数卷积层,其中第一个层使用无需通过学习更新参数的二值滤波器,第二个层使用卷积核大小为1×1的四元数卷积层,通过图像分类实验证明了网络的有效性,同时减少网络中需要学习的参数量至少6倍,减少了模型存储空间至少4倍。另外本文利用所提出的四元数局部二值卷积神经网络在人脸识别任务上进行了实验,在LFW数据上取得了97.93%的准确率,超过了原始的局部二值神经网络。