近几年,随着计算资源的提升和大数据的发展,深度学习模型执行任务的能力也得到了较大的提升。在计算机视觉研究中,例如图像分类、目标检测、图像分割等任务,卷积神经网络模型表现出了非常优异的性能,尤其在某些任务中其执行能力可以超越人类的感知能力。然而随着终端部署的需要,深度模型占存大、运行速度慢等问题逐步凸显。深度模型压缩算法通过将模型参数剪枝去除或者转换为低精度数据类型等方式,将模型的占存压缩到较低水平,同时提升模型运行速度。另外卷积神经网络模型拥有庞大数量的参数,并且这些参数是通过梯度的反向传播逐步自动进行更新,这使得神经网络的归因可解释性和鲁棒性得不到保证。在模型压缩过程中,若不考虑模型的归因可解释性和鲁棒性,将会导致压缩模型在部署中面临严重的安全问题。本文围绕模型压缩算法及其压缩过程中的归因可解释性和鲁棒性研究进行展开,提出如下工作:（1）提出了面向卷积神经网络的可解释性剪枝压缩方法:对卷积神经网络实施结构化剪枝的目的是去除冗余的卷积核,使模型能够在终端成功部署。模型结构化剪枝过程中最重要的步骤便是要明确剪去哪些卷积核,而现有的卷积核选择算法没有考虑卷积核的语义特性,最终将会导致模型的归因可解释性在压缩过程中遭到严重损害。因此,我们提出一种卷积神经网络的可解释性剪枝压缩方法,在卷积核重要度评价的过程中,引入图像的像素级标签来计算卷积核的归因可解释性,将模型中与因果特征相关度较低的卷积核进行裁剪,以实现模型压缩的目的,同时也能够保留原模型的归因特征。（2）提出了面向卷积神经网络的鲁棒性剪枝压缩方法:深度网络模型易受噪声特征攻击,尤其压缩模型只保留了原模型的部分特征空间,故而更容易被对抗噪声所干扰,所以模型压缩中鲁棒性的保持甚为重要。然而近几年研究者倾向于利用网络结构搜索算法提升压缩模型的鲁棒性,这将对硬件提出较高的要求。因此,我们提出一种卷积神经网络的鲁棒性剪枝压缩方法。该方法引入噪声特征,用于评价卷积核对抗噪声敏感度,最终剪枝去除易受噪声特征干扰的卷积核,以达到模型压缩的目的,同时也最大程度地保留了原模型的鲁棒性。经实验证明,该方法可以有效提升剪枝压缩模型的鲁棒性。（3）提出了面向卷积神经网络的可解释鲁棒量化压缩方法:深度模型非结构化剪枝压缩和量化压缩的处理对象是细粒度的参数,这将导致两种压缩方法得到的模型更容易丧失可解释性和鲁棒性。因此,我们提出一种卷积神经网络的可解释鲁棒量化压缩方法,该方法可以监督非结构化剪枝阈值和量化比特数的选择,最终实现模型的可解释鲁棒性量化压缩。具体地,我们首先利用网格搜索法设置非结构化剪枝阈值和量化比特数,并根据剪枝阈值和量化比特数对模型进行非结构化剪枝压缩和量化压缩,然后对稀疏化模型和量化模型进行可解释鲁棒性评价,最终选择便于部署的可解释鲁棒模型。经实验证明,该方法可以权衡可解释性、鲁棒性和压缩率之间的关系。