近年来,卷积神经网络在计算机视觉任务中实现了巨大的进步,其中高级视觉任务包括图像识别、目标检测等,低级视觉任务包括图像风格迁移、图像超分辨率等。越来越多的研究证明,更多的层和连接往往能够达到更好的效果,这也使得目前的卷积神经网络设计倾向于更深的层次,更复杂的结构。但是这也导致其参数量巨大,网络运行速度减缓,消耗更多的计算资源;不必要的连接甚至会给网络带来负面的影响。本文选择了图像超分辨率以及视频动作识别这两个视觉任务,分别设计了针对性的紧凑网络,在根据具体任务的特点设计网络的基础上,让网络更加高效地完成任务,充足的实验验证了所设计的紧凑网络的有效性。本文的主要工作和贡献如下:（1）就图像超分辨率任务而言,本文提出了一种基于生成对抗网络的超分辨率算法,在超分辨率网络中引入了无监督的分割网络,它可以突破类别的限制,给予网络额外的先验知识,使其能够从同一类别中学习高阶信息。无监督的分割网络通过自注意力机制结合到超分辨率网络中以引导特征自注意力,使得生成器可以强调相同类别中的纹理,并着眼于长距离的特征关系。同时本文设计了一种轻量级的跳跃连接结构,称为残差中的残差稀疏块,使得网络更加紧凑的同时提升了超分辨率网络的效果,产生了更加清晰自然的纹理。在5个超分辨率领域的经典数据集和1个本文提出的数据集上,我们对比了其他8种超分辨率算法,在客观指标、主观测试以及实际的纹理对比上,我们的方法均取得了较优的结果。（2）就视频动作识别任务而言,本文提出了 一种有效的基于增量正则化的三维卷积神经网络剪枝算法以设计紧凑网络。我们根据权重组对网络的重要性,将不同的正则化参数分配给不同的权重组。增量正则化采用增量的形式动态地调整正则化参数,小的增量使得剪枝的整个过程更加平滑,从而使得网络在边剪枝边训练的过程中,有充足的时间来进行自我调整与修复。同时我们分析每个卷积层的冗余和计算成本来确定不同层的不同剪枝率,以进一步减少精度损失。通过该方法,我们得以设计出面向视频动作识别任务的紧凑三维卷积神经网络。在UCF101数据集上,我们对比了泰勒剪枝以及卷积核剪枝的方法,在达到相同的加速比时,我们的方法所造成的精度损失均小于其余两种方法。