卷积神经网络(convolutional neural networks, CNN)作为一种高效的深度学习模型，在图像分类领域具有广泛的应用，然而，其计算复杂度和参数规模限制了在资源受限环境中的部署效率。针对这一问题，本研究重点探索通过知识蒸馏技术优化CNN的图像分类算法。通过分析该模型的数学原理，阐述其特征提取与分类能力，并结合知识蒸馏的基本原理对算法进行优化。实验以加拿大高级研究所(Canadian institute for Advanced Research 10,CIFAR-10)数据集为基础，测试优化后的学生模型与教师模型及未优化模型的性能差异。结果表明：优化后的学生模型在准确率、精确率和召回率等指标上均有显著提升，验证了该方法的有效性和实用性。