随着卷积神经网络的发展,深度学习方法被广泛应用于医学影像分析和处理任务中。这些深度模型往往具有庞大的参数规模,普通医院与诊所难以配备相匹配的高性能显卡,使得在学术界中性能优异的深度学习模型难以部署到医院的设备上,无法为医生提供实时高效的辅助诊断结果。因此,如何在保证模型性能的前提下尽可能压缩模型,成为近些年深度学习领域关注的热点问题。结构化剪枝作为一种主流的模型压缩方法,因其压缩得到的模型有结构稀疏性且能够快速部署在传统硬件平台的特点而受到业界的关注。本文对结构化剪枝算法进行了深入研究,提出了一种智能化的剪枝算法,并尝试将其应用在医学影像深度学习模型上,主要工作如下:首先,本文在卷积神经网络借助滤波器实现图像特征提取的理论基础上,基于滤波器权重对卷积神经网络特征表达能力的影响,尝试将信息熵作为滤波器重要性评估准则;其次,基于此评估准则,针对传统剪枝方法对预训练模型的依赖问题,引入神经科学中神经元的睡眠与清醒机制,构建了无需预训练模型的剪枝框架,并通过在选择待剪枝滤波器过程中交叠的睡眠期与清醒期,降低滤波器被误删的几率;在此基础上,本文尝试将上述方法应用于医学深度学习模型中,针对医学影像数据正负样本数量极不平衡的问题,在选择待剪枝滤波器过程中引入渐进式剪枝的思想,模拟神经元从浅度睡眠到深度睡眠的过程,并对目标函数进行了优化和改进,以最小化迭代滤波器剪枝对网络性能带来的损伤,有效提升剪枝后网络的底层表征与高层语义的匹配能力,从而提高模型的泛化能力。本文分别在标准数据集和医学影像数据集上验证了所提出的新型剪枝方法及其改进方法的有效性。实验结果表明,本文提出的方法在模型时间复杂度和空间复杂度的相关指标上,都取得了富有竞争力的结果,且针对医学影像数据特点改进后的剪枝方法,性能优于传统剪枝方法和改进前的剪枝方法,从而能够有效改善现有深度学习模型部署所需硬件要求与实际医院拥有的计算平台能力不匹配问题。