近年来,随着存储容量和计算机算力的飞速发展,数字化技术进入了高速发展期。深度学习已经成为机器学习研究中非常重要的领域之一,在计算机视觉领域,尤其是在图像分类场景和目标检测场景中的应用已经取得了巨大的成功。但深度学习模型性能的提升必将导致网络结构复杂度过高、计算量过大、训练时间过长等一系列问题,这对将其部署在算力和存储容量受限的移动设备上造成了很大挑战。为了更好的将深度学习方法应用于移动设备,很多学者已经在轻量化深度神经网络上做出很多富有成果的研究工作和可落地的神经网络架构,但是依然与主流网络的性能存在较大差距。因此,平衡好模型高性能与轻量化之间的关系,并将其更好地部署在移动设备上具有重要意义。本课题主要对能够平衡高性能与轻量化之间关系的深度神经骨干网络进行研究,主要工作如下:（1）针对在保证模型性能的前提下降低模型复杂度的问题,本研究提出了基于轻量化全局信息提取块的Global Attention Augmentation Ghost Module（GAAG）模块。首先对Ghost Module中cheap operation模块进行理论分析,发现该模块所产生的特征图,只是用来增加卷积神经网络的宽度,而不是为模型提供更丰富的特征信息,这是对计算资源的浪费。因此,本文提出了一种轻量化全局注意力信息提取块替代Ghost Module中cheap operation模块,来增强模型非局部（全局）信息的提取能力,并保持计算成本几乎不变。此外,本研究通过实验结果发现,通道间信息的循环对于更好地融合每个特征图块的信息是必不可少的,便提出将channel-shuffle和channel-attention相结合的方法,以促进局部和非局部（全局）信息的融合。本研究使用ResNets作为主干网络框架广泛评估GAAG模块在图像分类和目标检测方面的表现,实验结果表明,GAAG模块可以灵活地插入到现有的各类卷积神经网络中,完美地替代基线模型中的传统卷积层,并且,与同类模型相比,GAAG模块能够在轻量化和高性能之间保持良好的平衡。（2）针对近期在各种视觉任务中表现出色的ViT（Vision Transformer）-like模型,由于其对输入特征维度的二次复杂性,以及其核心模块自注意力（Self-Attention）对局部信息不敏感问题。本研究针对上述问题,首先受加性注意力启发,提出了一个轻量化自注意力提取块（Light-Weight Self-Attention Extract Block,LWSE）,其可以以线性复杂度来实现自注意力的全局空间聚合能力。紧接着,将深度可分离卷积（Depthwise Separable Convolution）和LWSE块沿通道轴连接起来,构建了一个新的图像特征提取器-混合信息提取层（Hybrid Information Extraction Layer,HIE）。同时,为了防止下采样造成的信息损失,设计双分支多样信息下采样模块（Dual Branch Multi-Information Downsampling Module,DBMID）,并将LWSE块添加到其中一个分支,使下采样过程也可关注全局信息。最后,针对深度神经网络不同深度阶段对局部和全局图像信息抽象的不同敏感程度,由前述所提模块搭建了一个自适应特征提取网络（Adaptive Feature Extraction Network,AFE Net）,其关注浅层的局部信息和深层的全局信息。本研究在CIFAR-10及Image Net-2012的各种任务中进行了大量实验。实验结果表明,本文的方法在保持高性能和轻量化平衡方面具有优势。