近年来,随着深度学习技术的普及与进步,各种智能设备取得了前所未有的蓬勃发展。以无人机为代表的智能除草设备,因其高效、便捷的特性,在农业领域得到了大量应用,有效地缓解了农业劳动力短缺、施药不均匀等问题。由于无人机等终端除草设备的计算和存储等资源有限,农业的智能化发展受到了限制。如何基于终端设备的有限资源搭建高性能、低存储、低计算的深度学习模型,是农业智能化发展面临的重大挑战。当前已有不少关于深度学习杂草分类方法的相关研究,但这些研究大多关注服务器端分类模型的性能提升,而较少研究移动端分类模型的性能优化与终端部署。因此,本文考虑了终端设备的资源约束,通过利用加权损失函数、知识蒸馏、量化部署等方法来优化改进和部署移动端轻量杂草分类模型。主要研究内容可分为三个部分:（1）基于移动端轻量深度模型的杂草分类方法研究。首先对基于迁移学习的服务器端Res Net系列模型和移动端Mobile Net系列模型进行了研究比对,确立了两个系列的最优模型。然后根据数据集情况,最优模型运用半监督知识蒸馏方法和设置加权Softmax损失函数的方法。实验结果证明了两种方法对提升模型准确率的有效性。最后利用教师模型来指导优化学生模型,从而获得高性能、低存储、低计算的移动端轻量杂草分类模型。实验结果表明通过提出的知识蒸馏和设置加权Softmax损失函数等方法改进的杂草分类模型能够取得准确率提升0.8%,推理时间减少7.8%,模型规模减少80%的良好效果。（2）基于Paddle Paddle的杂草分类模型量化及部署研究。首先,在Paddle Paddle服务器平台上对杂草分类模型进行参数存储量化降低模型规模,然后将量化得到的杂草分类模型部署在硬件设备树莓派3B+上,进行实验对比。实验结果表明移动端模型的推理时间只有服务器端模型的1/10左右,在树莓派3B+上的杂草分类推理速度是6fps左右,而且量化后的杂草分类模型规模有40%以上的减少,证明了量化对模型规模减少的有效性。（3）基于注意力机制的杂草分类模型结构优化方法研究。本文通过替换模型中的注意力机制模块,优化模型结构来获得性能更加均衡的杂草分类模型。实验采用测试准确率和模型参数两个重要指标来衡量杂草分类模型的综合性能。实验结果表明基于CBAM注意力机制的Mobile Net＿CBAM杂草分类模型相比基于SE-Net注意力机制的Mobile Net V3＿Large模型在准确率上损失了0.3%,但模型参数规模降低了24.7%,整体上更加均衡。