在深度学习中,越来越高的计算资源让模型的部署代价日益提高,如何优化模型成为了热门研究。知识蒸馏被经常用来解决模型压缩问题,并取得了卓越的成就。它将一个预训练好的大规模模型的监督信息传递给规模较小的原始模型学习,以较小的代价提升性能和加速运算,该训练结构被称为“师生框架”。然而其中仍然存在着两种缺陷亟待解决:一是传递的监督信息有时候并不准确,二是原始模型自身的预测能力有限。针对上述存在的缺陷,本文设计了两种算法进行处理。对于第一个问题,本文参考了标签平滑算法对于真实标签的处理,不拘泥去如何学习模型的输出与真实标签的组合,而是采取一种知识修正的方法,用真实标签来纠正输出监督信息的错误,在不引入额外参数的情况下让原始模型学习到正确的监督信息。对于第二个问题,本文参考了最近提出选择性分类算法中对于网络模型难易样本能力的研究。以深度赌徒损失作为损失函数,额外引入了一类来衡量每个样本的预测置信度,让模型可以根据置信度评分进行选择性预测,以提高自身预测能力和精度。本文成功将其应用到知识蒸馏方法上,形成了新的选择预测的师生框架。为了验证算法的有效性和鲁棒性,本文考虑了两种实验设置:（1）不同结构的模型中蒸馏（如AlexNet,ResNet）?（2）不同深度的模型中蒸馏（如ResNet18,ResNet50）。通过与原始模型及其他主流选择性分类方法的比较,分别报告全覆盖预测准确率和不同覆盖程度下错误率,充分验证了本文提出方法对于传统知识蒸馏的师生框架与模型选择预测能力的提升。