随着人工智能的快速发展,卷积神经网络（CNN）在各种应用中发挥重要作用。尤其在图像分类任务中,CNN效果显著,但其网络加深会在移动端部署上产生巨大开销,因此网络压缩成为最近研究重点。本文基于图像分类任务,提出了一种解耦对比学习知识蒸馏算法（DCL＿KD）,以及一种基于冗余滤波器剪枝-特征相关性辅助蒸馏算法（RFCA＿HC）。主要内容如下:（1）本文针对图像分类任务中,基于网络结果输出端知识蒸馏性能无法达到良好精度,提出了一种解耦对比学习知识蒸馏算法。该算法针对网络输出端蒸馏时正样本的知识无法有效传递给学生,并且忽略正负样本之间的相关性问题。首先使用了网络输出层正样本与负样本的损失解耦模型;然后为解耦模型中正样本与所有负样本的蒸馏损失添加了标签平滑正则项LSR;最后提出了解耦对比学习,获得正样本和负样本之间信息相关性,扩大类间差异,区分正负样本知识。通过实验证明,该算法加强了学生网络对图像的分类能力,提高了实验精度。（2）针对只采用知识蒸馏算法,面对教师与学生网络深度相差较大,导致学生网络学习能力不够;以及教师网络深度较深时,网络本身确定性增加无法产生软目标这两方面问题,本文提出了一种基于冗余滤波器剪枝-特征相关性辅助蒸馏算法。该算法引入了教师辅助网络,有效缩小教师网络与学生网络之间的差距;然后利用冗余滤波器剪枝算法,对教师网络和教师辅助网络进行剪枝操作,降低网络的确定性,同时减少冗余的滤波器传递给学生网络;最后针对教师与学生网络中间层特征相关性知识进行蒸馏,有效提取教师知识,提高学生网络性能。为验证改进算法的有效性,本文在CIFAR数据集上对图像分类任务进行实验。结果表明通过RFCA＿HC算法得到的学生网络,在图像分类任务中准确率有所提高,取得良好效果。