Las redes neuronales son ampliamente utilizadas en la clasificación de frutas y han logrado cierto éxito. Sin embargo, debido a las limitaciones de espacio de almacenamiento y consumo de energía, el almacenamiento y cálculo de un modelo de red neuronal en dispositivos integrados siguen siendo un gran desafío. Con el objetivo de lograr un modelo ligero de clasificación de mangos, se analizaron las características de extracción de características de las redes superficiales y profundas del modelo SqueezeNet mediante un método de visualización, y luego se construyeron ocho modelos ligeros eliminando capas redundantes o modificando el núcleo de convolución. Se encontró que el modelo designado Modelo 4 tuvo un buen rendimiento después del entrenamiento y prueba. Se utilizó el método de mapeo de activación de clase para explicar la base de la decisión de clasificación, y se comparó el modelo con diez modelos clásicos de clasificación. Los resultados mostraron que el rendimiento de cálculo del modelo mejoró significativamente sin reducir la precisión. El requisito de almacenamiento de parámetros es de 0.87 MB, y la cantidad de cálculo es de 181 MFLOPS, mientras que la precisión promedio de clasificación aún puede mantenerse en 95.64%. Este modelo tiene un alto rendimiento en relación al costo y puede ser ampliamente utilizado en dispositivos integrados.