当今是信息化时代,人们的日常生活更是离不开信息。深度学习已经在图像领域取得了突破性进展,卷积神经网络更是这一波深度学习浪潮的引领者。通常现实中的任何图像目标并不是处在背景简单、目标单一的环境下,利用CNN模型有时很难去识别这类图像。再者万物互联的社会发展趋势让手机移动端的应用变得更加广泛,而卷积神经网络日益增长的网络深度和模型大小为深度学习在移动端的部署带来了巨大的挑战,如此庞大的模型根本无法移植到手机移动端。本文以剪枝压缩、显著性目标分割、模型移植等方法为理论指导,选取花卉集展开实验,研究适用于更多图像识别、模型移植问题的规律和方法。针对目前CNN模型过大问题,本文首先采用剪枝压缩的方法。选用手写字体集训练卷积模型,将每层的权重由小到大排序并删除最小权重的连接,但这种方法却带来了稀疏连接,而GPU不擅长处理稀疏矩阵,并不能带来高效的模型压缩。接着本文利用花卉集训练模型,将基于L2范数的剪枝思想引入到MobileNets网络模型中,并不修剪掉单个连接,而是修剪掉整个卷积滤波器,在保持模型识别精度的基础上进一步压缩MobileNets模型大小。针对复杂背景下的图像目标,本文通过布尔显著性检测出前景目标,进而结合GrabCut算法对目标前背景分离,最终由MobileNets卷积神经网络进行识别和表达,相比于直接利用MobileNets进行识别有效降低了复杂背景对识别精度的影响。针对移动端部署的问题,本文利用AndroidStudio开发工具,将模型分别移植进入不同的安卓手机,并对APP的CPU占用率,启动耗时,识别耗时进行测试,实验结果表明,通过剪枝后的模型生成的APP能够满足移动平台的应用。