语义分割性能的提升得益于模型规模的不断扩大,然而随着模型复杂度的提高,其参数和浮点运算量也在增加。为了将高性能模型部署在资源受限的设备上,模型压缩技术应运而生。神经网络剪枝和知识蒸馏是两种简单且高效的压缩方法,现有的剪枝方法在使用特征信息评估滤波器的重要性时忽略了特征间的关系,且对语义分割网络剪枝后的微调流程较为复杂。此外现有方法还未考虑特征中的干扰信息对滤波器评估的影响,跨层的重要性之间也存在较大差异。现有的知识蒸馏方法所选用的学生和教师网络结构差异较大,因此很难达到近似的精度,且未考虑目标大小对蒸馏损失的影响。针对以上问题,本文展开了一系列的研究,主要的内容如下:1).针对特征间关系未被充分利用,以及剪枝后的语义分割模型微调问题,提出了一种基于二阶特征信息的语义分割网络压缩方法。首先,以输出特征和特征间的相关性作为一阶和二阶特征信息,使用相关性来评估特征图中包含重合信息的多少,将生成较多重合信息的滤波器作为次重要部分剪掉。然后,分别以剪枝前和剪枝后的模型作为教师和学生网络,将剪枝前网络中的多阶特征知识迁移到剪枝后的网络中,并使用标签中的信息来为不同大小的目标设置蒸馏损失权重,使学生网络可以学习到各目标均匀的知识。实验结果表明,该方案仅使用语义分割数据集就能使剪枝后的模型恢复到较高的精度。2).针对特征图中的干扰信息影响滤波器的重要性评估,以及跨层重要性存在一定差异的问题,提出了一种基于多源信息的全局滤波器剪枝算法。首先,根据特征信息较为丰富和权重信息受数据噪声影响低的特点,分别以特征间相关性和权重熵来评估滤波器的相对和绝对重要性。然后,将每层中不同压缩比例的滤波器看作一个整体,评估其对模型的全局重要性,按照压缩需求跨层剪掉模型中最不重要的部分。实验结果表明,通过多源信息可以更精确的评估单层中滤波器的重要性,通过跨层剪枝可以使模型的关键信息损失降到最低。所提方案不仅适用于多种结构的语义分割网络,对图像分类模型也同样有效。