随着大数据时代的来临,卷积神经网络的研究不断加深,卷积神经网络已经在处理计算机视觉领域包括目标检测、目标跟踪等许多问题上取得了优异的成绩。但随着卷积神经网络结构的不断加深,网络参数变得越来越多,计算量变得越来越高,使得卷积神经网络在计算资源有限的移动设备或嵌入式设备中的应用受到了极大制约。而网络压缩算法是解决上述问题的重要手段,因此关于网络压缩算法的研究显得极为重要。本文属于网络压缩的研究方向,研究内容包括如下几个方面:(1)提出了改进的基于卷积核裁剪的网络压缩算法,该算法将网络压缩过程分为三步:筛选、裁剪、微调。在冗余卷积核的筛选过程中,本文算法融合输出特征图L2范数的方差和卷积核L1范数作为判别卷积核重要程度的依据。其在考虑卷积核权值特征的同时,又加入了输出特征图的评价指标,实验表明根据融合特征裁剪后的网络比依靠单一准则裁剪的网络在微调后精度更高。在裁剪方式上,本文是对卷积核的整体裁剪,不会造成网络结构的稀疏连接,不需要稀疏卷积库的支持。在裁剪策略上,本文提出了非线性分段裁剪策略,其将网络裁剪过程分多次完成,并且每一次裁剪都针对网络中所有层。实验表明该策略相对于一次性裁剪,微调后网络性能更高,相对于逐层裁剪,其压缩过程更快捷。(2)提出了改进的基于知识蒸馏的网络压缩算法,该算法在知识蒸馏压缩算法的基础上,对学生网络加入了提示训练阶段。改进后的算法将学生网络的训练分为两个阶段完成,第一阶段,在教师网络和学生网络中引进了多个对应的提示层和引导层,并且使用教师网络提示层去指引对应学生网络引导层的训练。第二阶段,使用知识蒸馏算法定义的联合损失函数对学生网络做进一步的训练,以提升学生网络性能。实验表明本文算法在一定程度上能够把教师网络学习到的知识迁移到学生网络中,同时加入提示训练阶段后,本文算法所训练的学生网络比直接以知识蒸馏方式训练的学生网络能取得更高的精度。