深度神经网络技术快速发展，在图像识别、语音识别、语义分析、目标检测等应用领域表现突出。但深度神经网络模型往往较为庞大，需要高计算消耗和高网络带宽，很难在边缘计算环境中的移动设备上提供智能服务。因此拟在边缘计算环境中，通过压缩优化深度神经网络模型、设计实现神经网络加速器、自动重构神经网络裁剪与加速器，实现深度神经网络，在资源集约的设备上实现高效的网络模型，满足边缘应用服务中的计算加速需求。研究围绕软硬件协同设计展开，分为三方面内容：

1.网络模型压缩与优化。在特征分析的基础上，研究网络冗余压缩、网络裁剪及面向硬件的数据量化方法。

2.高性能神经网络加速器。抽象硬件特征，通过优化技术进行加速器共享、可拓展等设计。

3.量化裁剪框架及其自动化。建立高复用的神经网络模型基础算子及核心部件，实现量化裁剪优化方法框架，自动构建加速器类编译流程，面对具体应用时，使网络模型的型的实现、部署，达到可重构的流程自动化。