随着深度学习方法不断地被重视,许多生活中的应用得到了革新性的改变,如物体识别技术的广泛应用。然而,深度学习方法的计算复杂度非常庞大,需要昂贵的硬件作为计算平台支持。因此,在保持识别准确率的前提下,提高卷积神经网络的计算效率对实际应用有着非常重要的作用。本文主要提出了基于映射层的指导训练方法与基于感兴趣区域的目标检测方法。在训练端,搭建基于映射层的卷积神经网络,指导模型的训练,实现大幅度提高模型准确率的效果;在测试端,修改卷积层的计算方法,设置特定的计算区域,实现大幅度提高模型检测效率的效果。本文研究的主要内容及创新点如下:1.本文提出了基于映射层的指导训练方法。基于卷积神经网络的基本结构,重点分析了快速卷积运算和矩阵乘法的计算方式。通过搭建两个模型之间的训练桥梁,使小规模模型能够从大规模模型中学习并得到高效的特征信息。2.本文基于PASCAL和CIFAR-10公共数据集,验证了指导训练方法的稳定性和准确性。测试结果显示指导训练方法一方面可提高模型的准确率,另一方面可降低模型的计算复杂度,实现了计算速率快且模型准确率较高的效果。3.本文提出了基于感兴趣区域的目标检测方法。由于卷积神经网络的计算复杂度主要集中于卷积层网络,通过控制神经网络内部的卷积层计算区域,可过滤大量冗余的计算,实现了计算复杂度降低并且准确率保持不变的效果。4.本文基于交通视频数据集,构建快速目标检测系统,验证了感兴趣区域下目标检测的稳定性和准确性。通过获取目标特征信息,确定包含目标的感兴趣区域,把该区域输入到卷积神经网络进行快速计算。另外,本文把该方法与其它目标检测算法进行对比验证,测试结果显示该系统在保持准确率稳定的情况下实现了快速检测的效果。