近年来，深度神经网络(Deep Neural Network，DNN)是人工智能领域一大热点研究方向。目前，深度学习在图像分类、目标检测、语义分割等多种应用场景下都取得了一系列亮眼的表现。随着深度神经网络体系结构的不断扩大和加深，神经网络的参数量、模型体积、计算量和网络的复杂度呈指数级增加，导致了其对训练与运行的设备及环境有了极高的要求和约束。在一些嵌入式系统和移动设备运行场景中，硬件条件对内存和计算性能要求极为苛刻。因此，如何在保持神经网络模型性能的前提下对模型进行压缩成为了一个亟待解决的问题。而当前神经网络压缩方法大多降低甚至极大损失了网络精度，很大程度上限制了其在工业应用上的落地。
　　本文中，我们提出将量化作为一种减少深度神经网络过拟合以提高准确性的方法，并提出了一种具有泛化意义的高精度神经网络量化方法。在某种程度上，量化本质上是对权重表示施加了正则化。因此，量化不仅可以减少计算量和模型数据量，还可以解决神经网络中出现的过拟合问题，进而提高准确性。为了充分验证这一点，在本文中，我们在三类典型的任务上进行了增量量化的泛化实验：医学图像分割，图像分类和自动语音识别。在医学图像分割中，与MICCAIGland数据集上的最新技术相比，我们的方法可以将精度提高2.95%。在图像分类中，我们在ILSVRC-2012数据集上对广泛使用的卷积神经网络模型VGG-16进行了大量的对比实验。结果表明，本文提出的方法比VGG-16当前最优性能提升了1.33%。在自动语音识别中，我们对TIMIT数据集上的循环神经网络DeepSpeech进行了量化，并将识别准确度提高了13.57%。我们还讨论了量化比特位数和集成学习对神经网络性能的影响。实验结果表明，对于不同的任务和模型，我们将内存减少了3.5倍至6.4倍。