为了应对近年来深度卷积神经网络（CNNs）对于计算和存储需求的快速增长,研究人员提出了多种方法来实现模型压缩与加速,其中包括低秩分解,网络剪枝,权重量化,神经网络结构搜索和知识蒸馏等。在上述方法中,基于网络剪枝的算法通常能够在易用性和压缩加速性能之间取得良好的折中,因此格外受研究人员青睐。尽管现有的网络剪枝算法在一些特定的深度学习任务上展现出了不俗的压缩加速性能,这些算法在更广泛的实际应用场景中或多或少都存在一些不便之处。例如,有些剪枝算法需要添加正则稀疏项来重新训练模型或进行基于数据的复杂优化,还有一些剪枝算法则依赖于特定的硬软件库支持或预定义的目标网络结构。为了一次性解决上述问题,本文从一个全新的角度出发,探索神经网络内广泛存在的参数冗余现象并实现压缩和加速深度卷积神经网络的最终目标。更详细地来说,我们认为具有相似特征信息的通道之间存在高度的相关性,并且在很大程度上存在功能重叠。我们进一步猜测移除这些相似通道集合中的绝大多数通道并不会对神经网络模型的表征能力造成显著的影响。基于上述猜想,我们通过理论推导得到了两个有效的相似性指标来分别量化滤波器之间的结构相似性和特征通道之间的相似性。在这两个相似性指标的基础上,我们利用层次聚类算法和1范数通道筛选策略提出了一个高效的通道粒度网络剪枝框架。本文展示的基于这一框架的通道粒度剪枝算法可以被直接用于压缩和加速所有类型的预训练卷积神经网络模型,从而在推理时间延迟和预测准确性之间达到更好的平衡。此外,这些基于相似性的剪枝算法不依赖于预定义的目标网络结构,能够在限定的计算量和存储空间需求下自动地在原始模型中搜索更加高效的网络结构,这一特性在一定程度上可以被视为进行神经网络结构搜索。与传统的基于权重或激活值尺度的网络剪枝方法相比,本文提出的基于相似性的剪枝框架更为通用,因为我们不对权重或激活值的分布进行任何假设,例如需要有较大的方差和较小的极小值等,这一框架也因此适用于更广泛的实际应用场景。大量的实验结果充分地证明了本文提出的基于相似性的神经网络剪枝算法在压缩加速性能上优于现有的通道粒度剪枝方法。除了在标准数据集和比较有代表性的卷积神经网络结构上进行常规的图像分类实验以外,本文还进一步将这一框架拓展到基于深度可分离卷积的高效卷积神经网络模型MobileNet V2和基于生成对抗网络的生成模型DCGAN上,以展示其在实际应用场景中的泛化能力和灵活性。