雨、雾、光照不足等恶劣自然环境会降低各种成像设备的成像质量。为克服这些不利因素,人们在各种硬件平台上部署了图像去雨、去雾等底层视觉算法。现有方法通常只能针对特定底层视觉任务和特定硬件平台设计网络结构,设计门槛高且效率低下。神经网络搜索是一种可以自动设计网络结构的技术,但其本身计算代价大,且与底层视觉任务的结合需要重新设计搜索空间,工作量繁重。搜索过程中也缺乏有效手段兼顾硬件平台带来的各种限制。为解决上述问题,本文提出了一种面向底层视觉的硬件友好神经网络搜索框架。首先,本文提议建立回归模型来为预测不同硬件平台下的推理延迟、功耗等不易得硬件指标。回归模型不仅可以大大降低获得此类硬件指标的代价,还可以对搜索算法屏蔽硬件平台细节。其次,本文提出了收缩采样策略,可以大大加速权重共享类神经网络搜索算法,加速幅度可达2～3倍。而且,该采样策略还可以利用硬件约束来指导搜索过程,从而搜索出硬件友好的网络结构。最后,本文提出了一个适用于底层视觉任务的全面、大小适中、通用性强的选项集。大量实验表明,该选项集可以大大降低设计针对特定任务的搜索空间的成本。为验证提出的算法框架的有效性,本文首先对提出的收缩采样策略和面向底层视觉任务的选项集进行了消融实验,验证了各自的作用。接下来,本文在低光图像增强、图像去雨两个特定底层视觉任务上,分别考虑推理延迟和模型参数量两个硬件指标,考虑CPU和GPU两个硬件平台,完整地应用了本文提出的算法框架。并将搜索到的网络结构和各自任务的先进算法进行了定性和定量的对比。实验结果证明,本文算法搜得的网络结构在两个任务上均在满足硬件约束的前提下取得了领先的增强效果。