近年来,卷积神经网络（CNN）以其良好的性能得以在人工智能的各个领域广泛应用,如图像分类、物体检测、自然语言处理等。其优良的性能得益于其强大的表示学习能力和模型概括能力。但是,卷积神经网络中大量可训练的参数使得深度学习模型需要消耗大量的计算资源和存储资源,这限制了其在移动智能终端等资源受限设备中的部署与应用。因此,对卷积神经网络模型进行优化和压缩,以解决设备上部署的瓶颈问题,具有重要的理论意义和现实意义。针对卷积神经网络对设备性能要求高,占用存储空间大,工程落地比较困难的问题,本研究从深度模型剪枝入手对神经网络进行剪枝压缩。本研究的主要工作包括:（1）在调研现有的细粒度剪枝和结构化剪枝两种剪枝方法后,本文选择了结构化剪枝的方法作为研究对象,探索了一种新的特征通道重要性评估指标,提出了基于互信息的结构化剪枝算法。这一方法的步骤是:首先通过预训练的模型计算特征通道的互信息;再按照互信息的大小对通道进行排序,根据剪枝率直接剪裁掉互信息小的部分通道;最后对模型进行微调,得到恢复精度的模型,这种方法取得了高压缩比例,优于现有的其他通道重要性评估方法。（2）为了进一步改善现有剪枝策略使剪枝后模型精度损失过大的问题,本文研究了新的剪枝策略,提出了一种互信息引导的注意力正则化算法。在剪枝前对网络模型进行优化,提升模型精度的同时降低不重要通道的权重,达到模型在剪枝后降低剪枝损失的同时提升精度的目的。首先,根据过滤器通道的特征响应与其标签之间的互信息,评估特征通道的重要性。然后,引入了一种互信息引导的注意力正则化方法,来重新分配特征通道的权重,这样可以专注于重要通道并抑制不重要的通道。最后,采用迭代修剪和微调策略去除不重要的通道以获得压缩模型。互信息引导注意力正则化模块在剪枝前可以提高原始模型的精度,同时减小不重要通道的权重参数,降低这一部分参数在网络中的敏感度,从而降低剪枝造成的精度损失。大量实验结果表明,所提出的互信息索引在特征通道选择方面优于现有的信息熵索引方法,并且在模型优化和修剪方面均具有优异的性能。