在计算机视觉领域,深度学习技术的发展取得了比传统方法更好的性能。但是深度学习模型在不断提高性能的同时,还带来了诸如网络参数大、模型结构复杂、计算成本高以及内存消耗大等缺点,这使得在资源有限的嵌入式移动设备上运行深度学习模型变得困难。因此研究如何降低深度学习模型尺寸、降低计算量,在移动端部署深度学习具有重要意义。针对上述问题和特点,本文研究了卷积神经网络的压缩和优化技术,对轻量级神经网络模型MobileNetV2进行优化与加速,构建Android系统下画面场景识别系统,并依托实际项目将其部署于企业移动端电视产品上,为嵌入式终端设备的画质调整功能提供更加准确、快速、稳定的电视画面场景识别技术。首先,本文通过移除MobileNetV2模型中的7层倒置的线性残差块以精简模型结构,压缩效果为降低了0.9M的参数量和56M的计算量。然后对模型采用Slimming方法进行channel剪枝,将每个神经元作为channel进行处理,为每个通道引入一个比例因子γ充当通道选择的代理,对比例因子施加L1惩罚项,并采用Image Net数据集得到预训练模型,剪枝效果为模型尺寸降低25%,准确为69.9%。最后,对channel剪枝后的预训练模型更改最后一层softmax层并保留其余权重进行迁移学习,用电视画面场景数据集重新微调训练,准确率为70%。然后通过MACE框架提供的训练后量化技术对模型进行量化,将模型尺寸压缩3-4倍,运行速度提升2-3倍,准确率仅降低不到0.1%。最后,将训练完成的模型通过MACE框架移植到Android移动端,并开发Android应用程序,在Android端运行速度在30.9ms左右,识别准确率为71%左右,占用内存为70～90MB之间,内存占用率在%2～%1之间,CPU占用率在40%～%15之间;在手机端测试达到项目需求之后将模型结合画面调整功能部署于TCL 75P8人工智能网络平板电视端,用于电视画面增强,模型的识别时间为165ms,识别准确率为75%左右,内存占用为80～90MB之间。最终的实验结果表明,改进后的模型相较于原模型,能够稳定的运行在手机、电视等嵌入式设备上,模型运行效率取决于测试设备的软硬件配置。本文在降低模型较低的准确率的同时也很大程度降低了模型参数量、尺寸和计算量,并提升了模型运行速度,这对于资源稀缺的嵌入式设备至关重要。该模型已成功移植到电视平台并与画面调整功能对接,目前正在推进项目的产品化;该项目的具体功能效果已在公司内部进行了效果演示,并在CES 2019展上展出。