【目的】卷积神经网络作为深度学习领域的一项重要技术，在图像识别、目标检测、自然语言处理等多个领域展现出了卓越的性能。然而，随着模型深度和复杂度的增加，卷积神经网络模型的大小和计算需求也急剧上升，这为模型的部署和实时应用提出了严峻挑战。【方法】为减少神经网络的大小和计算量，并提高模型的效率和可部署性，提出了基于知识蒸馏的卷积神经网络压缩方法。通过将大型复杂模型(教师网络模型)中的知识转移给小型精简模型(学生网络模型)来实现模型的压缩和加速，本文建立了性能优异的教师网络和结构更简单、参数更少的学生网络。教师网络负责提供丰富的特征表示和准确的预测结果，学生网络则通过学习教师网络行为来逼近其性能。使用标准损失函数，并通过反向传播算法迭代更新其参数，确保其在训练数据集上达到良好的性能。采用改进知识蒸馏方法获取综合阈值函数，评估教师网络和学生网络之间的知识差异，并指导学生网络的学习过程。在训练过程中，学生网络利用综合阈值函数进行监督，逐步逼近教师网络的输出，同时保持较小的模型结构和计算复杂度，从而实现了卷积神经网络的压缩处理。【结果】实验结果表明：本文方法在ImageNet和Labelme数据集上均表现出较好的模型压缩效果。其中，本文方法在压缩前后卷积神经网络输出结果的拟合度较高，表明学生网络成功学到了教师网络的关键特征；交叉熵损失值较低，在1.0左右，进一步验证了其良好的预测性能；完成卷积神经网络模型的压缩时间较短，为79.8～89.4 s,表明本文方法具有较高的计算效率。【结论】由以上结果可知，基于知识蒸馏卷积神经网络压缩方法能够有效减小模型结构、降低计算量，并保持甚至提升了模型的性能。本文方法不仅为模型压缩提供了一种新的思路，还为深度学习模型的部署和应用提供了有力支持。此外，本文方法在知识蒸馏方法上进行了改进，通过引入综合阈值函数来更全面地评估和指导模型的学习过程，在一定程度上提升了知识蒸馏的效果和效率。因此，本文方法不仅具有理论价值，还具有重要的实践意义。