近年来,深度学习技术发展迅速,其中以卷积神经网络（CNN）为代表的深度学习网络在各个领域都得到了广泛的应用。但是由于其参数量过大,占用内存高且计算负担沉重,很难直接应用于计算资源有限的硬件平台上,这为深度学习在终端领域的应用普及带来了重大挑战。为了进一步提高深度学习网络的实用性,研究人员尝试将深度学习网络压缩到嵌入式平台中。其中卷积核剪枝方法旨在通过评估和删除整个冗余卷积核,将剪枝后的紧凑模型与硬件平台兼容,因此被广泛用于卷积神经网络的压缩与加速。值得一提的是,软剪枝（SFP）方法由于直接将需要剪枝的卷积核权重值设置为零从而避免破坏网络结构受到了越来越多的关注。为了能更好地提升卷积神经网络的性能,本文基于软剪枝的思想对模型压缩方法进行研究,论文主要工作为:（1）提出了一种平滑软剪枝方法。该方法在训练过程中通过权重逐渐衰减策略,迫使L2范数值较小的卷积核的权重逐渐衰减为零,给予网络更多的机会适应其结构的变化,从而在一定程度上保留卷积核的预训练信息。该方法不同于传统软剪枝方法直接将卷积核权重置零,易导致网络参数发生较大变化进而影响预训练网络先验知识继承造成信息丢失。通过在多个数据集上使用该方法对不同深度的网络进行实验,均取得了较好性能。具体而言,在KSDD数据集上对Res Net-20的剪枝率为60%时,本文方法相比传统软剪枝方法提升了1.92%的准确率,实现了较好的模型压缩效果。（2）提出了一种结合聚类和平滑软剪枝的混合剪枝方法。由于平滑软剪枝方法只对网络模型中L2范数值较小的卷积核进行剪枝,没有考虑到卷积核间的相似性,而这些冗余特征也会影响卷积神经网络的性能。因此本文在平滑软剪枝方法的基础上引入了聚类算法,进一步去除网络中的冗余卷积核。其中,在CIFAR-10数据集上,混合剪枝方法将Res Net-56减少了58.2%的FLOPs,且相比平滑软剪枝方法提升了0.16%的准确率。通过实验验证,该混合剪枝方法比平滑软剪枝方法在提高被压缩模型的性能方面更有优势。（3）设计并实现了一个基于剪枝加速算法的缺陷检测应用系统。结合本文提出的混合剪枝算法,通过使用Py Qt5工具包实现了一个用于检测金属表面缺陷的应用系统。该系统主要包括数据预处理、模型训练和剪枝及检测识别等功能,并借助训练得到的压缩模型来实现快速检测识别。通过多次测试,该系统使用本文剪枝算法训练得到的压缩模型在完成检测功能的前提下,比未压缩的原始模型消耗的检测时间更少,体现了本文网络压缩算法的可行性以及在工业中的应用价值。