随着深度学习的飞速发展,深度神经网络在计算机视觉、自然语言处理、推荐系统、交通规划和时序预测等领域取得了令人瞩目的成绩,渗透到生活的方方面面。深度学习使用神经网络堆叠的方式对海量数据进行处理,具有参数量大和计算复杂度高的特点。一方面,神经网络被设计的愈发复杂与庞大以取得更高的精度,对设备的算力和内存要求越来越高;另一方面,应用领域的拓展使在低算力低内存的边缘设备部署神经网络的需求愈发迫切。为解决这一矛盾,神经网络模型压缩算法应运而生。基于通道剪枝的模型压缩算法由于直观性与易用性,受到了学界和工业界的广泛关注。然而,通道剪枝仍然存在一些问题等待解决。第一,目前的通道剪枝算法通常不能对残差模型做到像直筒模型一样的修剪,残差连接的通道数对齐与冗余通道的修剪难以兼顾。第二,现有的通道剪枝算法中稀疏化训练误差与剪枝误差此消彼长,难以兼顾。为了解决通道剪枝算法中存在的这两种问题,本文分别提出了一种基于直筒等效的残差模型通道剪枝方法和一种基于掩膜等效和梯度解耦与重置的通道剪枝方法。本文的研究内容总结如下:（1）基于直筒等效的残差模型通道剪枝方法:提出了一种针对残差模型的通道剪枝算法,先将残差模型等效为直筒模型,再对直筒模型进行通道剪枝。首先是引入额外的卷积通道等效恒等映射,接着对BN层、激活层和降采样做出相应调整以保留恒等映射。最后,对等效后的直筒模型进行剪枝,即可得到一个紧凑且无残差连接的模型结构。通过在多个数据集上对多个模型进行实验证明了该方法的有效性。（2）基于掩膜等效和梯度解耦与重置的通道剪枝方法:提出了一种引入额外结构并使用惩罚项对其进行稀疏训练的方法。首先在模型待剪枝的“卷积层-BN层”结构后添加掩膜等效的1×1卷积层,接着对模型使用无稀疏惩罚项的损失函数进行训练,对1×1卷积层的梯度添加稀疏惩罚项,并使用梯度重置使其中较小的通道更接近于0。在稀疏化训练结束后对1×1卷积层进行剪枝,最后将“卷积层-BN层-1×1卷积层”结构合并为一个卷积层,即可得到一个紧凑的模型结构。通过在多个数据集上对多个模型进行实验证明了该方法的有效性。