深度神经网络在自然语言处理、图像识别、语音处理等人工智能研究领域具有重要的应用价值,但随着网络结构不断加深、规模不断扩大,对应的参数量和计算量也成倍增长,导致神经网络特别在嵌入式设备或移动设备部署运行困难。传统单一压缩方法难以达到最佳压缩比与网络性能的平衡,而传统混合压缩算法难以深度融合,导致网络精度损失和额外训练开销。针对嵌入式智能终端设备的实际场景下的目标检测和分类应用需求,本文对深度神经网络混合压缩算法展开研究,在保证网络精度前提下提高压缩比,具体包括:（1）提出一种基于通道自注意力剪枝和知识蒸馏重训的混合压缩算法。通过对神经网络添加通道域注意力编码器评价通道贡献度进行剪枝,针对网络剪枝后性能下降的问题,运用知识蒸馏的方法分别将剪枝前后的网络模型作为教师模型和学生模型进行重训练提升精度。实验表明,上述基于通道自注意力剪枝和知识蒸馏重训的混合压缩算法可在网络准确率损失1%的情况下,将VGG-16网络的参数量和计算量分别降低83.2%和85.9%。（2）提出一种基于深度可分离卷积剪枝和知识蒸馏混合压缩算法。第一步将逐点卷积中各通道融合时的权值大小作为通道贡献度评价依据进行结构化剪枝;第二步将剪枝后剩余通道的滤波器间通过K-L散度两两计算相似性进行滤波器移除;第三步将剪枝后的网络模型采用与（1）中相同的知识蒸馏方法进行网络精度重训练。实验表明,基于深度可分离卷积剪枝和知识蒸馏混合压缩算法可将VGG-16网络在准确率损失2.18%的情况下参数量降低89.2%,计算量下降81.9%。（3）提出一种基于仿射变换的量化压缩算法。通过自适应仿射变换的方式将使用32位浮点数精度存储的参数权值转化为8位整型精度数存储,网络前向推理时将参数权重进行反量化参与计算。（4）深度神经网络混合压缩算法的应用研究。通过深入分析（1）（2）（3）所提压缩算法的原理,将三种网络压缩算法融合使用。实验表明,在神经网络准确率近似的情况下,压缩方法的混合使用可更大程度的降低神经网络参数量和计算量。将上述三种压缩算法混合在基于YOLOv5的口罩佩戴检测系统中混合使用,可使压缩后的YOLOv5网络在准确率仅损失2.8%的情况下,参数量下降40.2%,计算量下降20.3%。