科技的发展推动了人民生活的进步,在满足了基本的需求后,人们开始对服务提出更高的要求。而此时,传统工业技术已经难以满足人们对于服务的高质量要求,人工智能技术则提供了很好的选项。该技术的出现将人们带入一个智能化的社会,其多样的功能、绚丽的服务,给人们带来了很好的体验。但是由于人们对于智能化的更高的要求,传统意义上的人工智能越来越显示出其局限性。正是在这种背景下,深度学习开始进入人们的视线,凭借其对特征学习的自动化和更好的性能,深度学习更加受到人们的青睐。目前深度学习已经在对目标的识别、图像的分割等领域取得了很大的进步,并开始进入实际的应用阶段。此外,目前智能化移动式设备非常的流行,可以预见,未来这些价格低廉、低能耗的智能设备将会极大的丰富人们的生活。但是,深度学习却很难在这些设备上部署,因为该方法有一个很大的弊端,就是对硬件的要求太高,这极大的限制了深度学习技术在移动设备上的使用。深度学习算法所需的计算量非常大,如果要将其部署到计算能力和能源都很有限的嵌入式设备上,就需要对深度学习模型进行压缩,但是怎样在不影响模型原有性能的基础上最大限度的压缩模型成了一个极具挑战性的研究课题。为了解决这种矛盾,本文致力于设计一个更加密集、计算量更小的深度学习模型,使得在尽量保证模型性能的同时可以将深度学习部署到嵌入式设备上,进而应用到家庭服务机器人中。本文围绕怎样对识别模型进行压缩以及具体的应用展开研究,论文的主要研究内容包括:（1）本文以当前流行的深度学习识别模型YOLO（You Only Look Once）为基础,融合多种压缩策略,在GoogLeNet的基础上对模型进行压缩,然后移植到Caffe框架下训练,最终得到压缩后的识别模型Compress-YOLO。然后将该模型部署到家庭服务机器人上进行实际的测试,测试结果表明,Compress-YOLO能很好的完成对目标的识别。（2）在对模型分析的基础上得出压缩模型的关键在于去除冗余,使得模型更加紧凑。针对这个问题,本文将大的卷积核分解为多个不同尺寸的卷积核,增加模型对多尺度特征的提取能力,同时在适当的位置加入1×1的卷积核,在降低维度的同时增加了图像的跨通道信息整合能力。同时针对训练中出现的过拟合现象,本文摒弃了普遍采用的使用dropout层的方法,转而采用Batch Normaliztion层和Scale层组合的方法,不仅使得过拟合被有效抑制,同时也使得模型的训练速度得到提高。此外,针对国际通用的数据集目标和环境多样的情况,本文建立了 NEU-Family数据集,通过在该数据集上训练增强了模型对家庭目标的识别能力。（3）在完成对深度学习模型的压缩后,本文针对家庭服务机器人项目展开了具体的应用实验,将模型部署到NVIDIA Jetson TX1开发板上,在家庭环境下对目标进行识别,取得了很好的效果,也充分证明了压缩模型的有效性。