卷积神经网络已经成为人工智能应用中不可或缺的算法之一。近年来,在互联网普及带来的大量数据和高性能硬件推陈出新带来的算力增长的双重支持下,深度学习技术飞速发展,卷积神经网络模型的规模也变得越来越大。膨胀的网络规模一方面让卷积神经网络能够处理更复杂的任务,另一方面也带来了巨大的计算和存储消耗。在卷积神经网络应用已经走进智能手机、无人车、物联网的今天,网络模型的计算和存储需求与硬件设备能力不匹配的问题日益凸显出来。在此背景下,本文对卷积神经网络的压缩与加速问题进行了研究,提出一种基于全局滤波器剪枝的模型压缩方法。本文的主要工作和贡献如下:一方面,为了获得滤波器重要程度的全局排序,我们提出了一种名为Gate Decorator(GD)的评估算法。通过引入可训练的参数并结合泰勒展开公式,GD算法能够提供较传统方法更为准确的排序估计。另一方面,为了解决迭代剪枝过程中存在的精度和速度的矛盾,我们提出了一种名为Tick-Tock的剪枝框架。Gate Decorator和Tick-Tock剪枝框架构成了完整的剪枝方法。我们在大量标准数据集上验证了该方法的有效性,实验表明我们提出的方法在量化指标上超过了当前最先进的滤波器剪枝算法。例如,我们减少了Res Net-56网络70%的计算量而没有造成明显的精度损失。在Image Net这种规模较大的数据集上,我们对业界常用的Res Net-50网络进行了剪枝,能够在减少40%计算量的情况下,获得比基线模型还要高0.31%的Top-1分类精度。基于本文所提出的剪枝方法,我们构建了一个部署在手机上的实时人脸关键点检测系统。我们将过参数化的关键点检测模型的计算量压缩到其基线模型的五分之一,使得系统能够在ARM指令集CPU上以每秒约15帧的速度运行。针对过参数化模型容易过拟合的问题,我们还提出了一种名为对抗噪音的正则化方法。实验表明对抗噪音能为过参数化模型带来10%的相对提升。