深度卷积神经网络在计算机视觉、自然语言处理等领域取得了超越传统方法的优异性能,然而,随着网络规模的增加和各种复杂结构的出现,在诸如自动驾驶、可穿戴设备、智能机器人等内存和算力有限的场景,应用和部署深度卷积神经网络难度较大,限制了卷积网络和相关任务的应用发展。因此,在精度损失较小的情况下,对深度卷积神经网络的压缩进行理论分析并建立高效的压缩模型是十分必要和紧迫的。目前,已有研究揭示了深度卷积网络中存在明显的参数冗余现象,这为网络压缩建立了基本的理论依据。而且,现有的方法在参数重要性评价标准、压缩效率、网络精度损失等方面依然存在较大的改进空间。本文在对国内外网络压缩和加速方法进行分析总结的基础上,重点针对卷积神经网络的通道剪枝技术进行了深入研究。完成的主要研究工作总结如下:1)提出了一种基于中间特征注意力的通道剪枝方法。利用特征注意力模块的中间激活张量来评价通道的重要程度,进而设置阈值删除网络中不重要的特征图及其相对应的卷积核。解决了现有量级剪枝标准容易忽略参数在网络整体结构中的作用这一问题。此外,针对基础残差模块提出了一种新的剪枝策略,对同一阶段中包含的相同残差模块统一裁剪,使这些残差模块的输入和输出通道数保持一致。2)提出了一种基于粒子群优化的通道聚类剪枝方法。首先根据特征图之间的余弦相似度对网络通道进行基于密度的聚类剪枝,然后将剪枝后的子网络扩展为候选子网络种群,最后利用粒子群优化算法进行搜索寻优,在一定的压缩率范围内获得了性能更好的网络通道数配置。解决了现有网络剪枝方法较多依赖人工干预的问题,实现了自动剪枝。3)提出了一种联合知识迁移和对抗博弈的全局均衡迭代剪枝方法。通过分析不同层中输出特征图的量级分布,揭示了现有剪枝方法存在参数量和浮点运算量压缩率不均衡的问题,并建立了一种基于特征图1范数最大归一化的全局均衡迭代剪枝策略。进一步设计了剪枝间隙性能恢复策略,通过剪枝-优化迭代来保证在每次剪枝过程中网络都具有良好的精度,实现剪枝的准确性。减少了由于单阶段剪枝所造成的误裁剪情况。