近年来,深度神经网络在计算机视觉以及自然语言处理等任务上不断刷新已有最好性能,成为最受关注的研究方向。然而深度模型的参数量巨大,存储成本和计算成本过高等原因却严重限制了其在嵌入式设备和移动设备上的部署和应用。本文从模型压缩的角度出发,将深度神经网络的裁剪和优化任务分为两部分:1)针对单个卷积层的模型裁剪技术;2)探究模型各层压缩组合的最优效果以及自动化。在此研究的基础上,本文设计并实现了一个具有普适性的模型压缩工具,便于更多的深度学习用户可以快速的对模型进行优化部署。首先针对单个卷积层的剪枝策略,本文将首次从权重贡献的角度出发对权重粒度、kernel粒度和通道粒度下的压缩算法进行原理解释,并据此分析当前针对滤波器粒度剪枝所提出算法的不合理性。为此本文提出了两种新型的滤波器剪枝策略。从滤波器提取的特征空间完备性出发,使用滤波器间正交性作为剪枝标准;从不同滤波器输出特征图的信息丰富度出发,使用特征秩作为滤波器的剪枝标准。其次,针对模型各层剪枝比例的组合问题,本文则提出结合强化学习实现模型整体的自动化压缩。具体地,将模型各层的结构属性、剪枝比例和最终的压缩性能分别映射为强化学习算法中的状态、动作和奖赏,并且针对剪枝比例取值范围的连续性,提出了基于RNN控制器和DDPG两种自动化压缩算法。接下来,本文设计并实现了Pliers模型压缩工具,该工具集成了上述提出的不同的剪枝粒度和自动化压缩算法,用户仅需通过前端界面进行数据集和模型的上传和管理,然后通过配置界面设置训练超参数和启动模型压缩引擎。压缩工具会依照配置中的参数信息对模型进行自动化压缩,并将最终的压缩性能对比结果以报表的形式呈现给用户,方便用户进行下载使用。最后,本文对提出的算法和压缩工具分别进行实验验证和系统测试。在算法验证环节,通过对CIFAR-10数据集训练的Vgg16模型进行不同粒度的剪枝对比和自动化压缩实验,最终可以实现模型的参数量减少85%,计算量减少80%,推理延迟的两倍加速,并且模型的精度损失均在1.5%以内。在系统测试环节,首先介绍了压缩工具的部署环境,接着对配置模块、数据管理模块和任务管理模块进行了功能测试,验证了系统的可用性。