Künstliche neuronale Netze sind zu einem zentralen Werkzeug in vielen technologischen Anwendungen geworden. Ihr Einsatz auf ressourcenbeschränkten eingebetteten Systemen stellt jedoch eine erhebliche Hürde dar, da die Komplexität moderner Architekturen oft im Widerspruch zu den limitierten Rechenkapazitäten und Echtzeitanforderungen der Hardware steht. Die vorliegende Arbeit widmet sich dieser Herausforderung an der Schnittstelle von Künstlicher Intelligenz und eingebetteten Systemen. Es werden innovative Methoden entwickelt, um neuronale Netze systematisch zu optimieren. Zunächst wird ein Verfahren zur Komprimierung von Netzwerken durch die gezielte Entfernung redundanter und irrelevanter Informationen vorgestellt. Des Weiteren wird mithilfe von hocheffizienten neuronalen Netzen eine automatisierte Verkehrszählung auf einem eingebetteten Zielsystem unter Echtzeitanforderungen implementiert und untersucht. Ein weiterer Schwerpunkt liegt auf der Suche nach der optimalen Netzwerkarchitektur innerhalb eines vordefinierten Suchraums. Hierfür werden neuartige Metriken entwickelt, die durch ihre Anwendung bereits in frühen Trainingsphasen eine schnelle und effiziente Identifikation der leistungsstärksten Architekturen ermöglichen.