在嵌入式设备上部署卷积神经网络（CNNs）面临挑战，主要受限于有限的内存和计算资源。尽管成功设计的CNN模型中特征图存在显著冗余，但这一特性在神经网络架构设计中却很少受到关注。本文提出一种新颖的Ghost模块，通过低成本操作生成更多的特征图。该模块基于一组原始特征图，通过一系列低成本的线性变换，生成大量“鬼影”特征图（ghost feature maps），从而充分挖掘原始特征所蕴含的潜在信息。所提出的Ghost模块可作为即插即用的组件，用于升级现有的卷积神经网络。为此，本文进一步设计了Ghost瓶颈结构，用于堆叠多个Ghost模块，从而可便捷地构建轻量级的GhostNet。在多个基准数据集上的实验结果表明，所提出的Ghost模块在基础模型中可作为卷积层的高效替代方案；在ImageNet ILSVRC-2012图像分类任务上，GhostNet在与MobileNetV3相当的计算成本下，实现了更高的识别性能（例如，Top-1准确率达到75.7%）。代码已开源，地址为：https://github.com/huawei-noah/ghostnet。