近年来,随着深度神经网络的蓬勃发展,强化学习领域也取得了大量突破,这让多智能体强化学习（MARL）受到了广泛的关注。但与此同时,MARL也面对着很多挑战,例如联合动作空间巨大、由于其他智能体策略变化导致的环境不稳定问题、全局信息受限导致仅能获得环境部分观测等。其中联合动作空间巨大会导致巨大的计算量,如何减少计算量一直是研究热点。模型剪枝可以减少神经网络模型的参数量,同时减少计算量。当前已经有研究表明,模型剪枝方法不仅可以应用于传统的图像处理领域,还可以应用在自然语言处理和强化学习中。受此启发,本文对多智能体强化学习的剪枝方法应用进行研究。首先,对剪枝方法在多智能体强化学习中的应用进行研究。实验框架选用多智能体强化学习框架SMAC,分别采用全局剪枝方法和分层剪枝方法对神经网络模型进行处理。实验结果表明剪枝方法可以很好地应用于多智能体强化学习中,在显著减少网络模型参数量的同时,保持和完整网络接近的表现。然后,针对全局剪枝方法在进行到剪枝过程后期时,网络模型的准确率会随网络结构失衡陡然下降的问题以及传统分层剪枝方法对于网络特征信息利用不充分的问题,提出了基于网络特征的分层剪枝方法NS-IPM（Network-Structure-based Iterative Pruning Method）。实验结果表明,NS-IPM表现良好,既可以一定程度避免全局剪枝方法的结构失衡问题,也可以更充分的利用网络特征信息。但是,作为一种剪枝方法,NS-IPM的有效性仍需在图像处理领域进行验证。为此,我们在图像识别数据集CIFAR-10上进行实验,采用VGG-16和Resnet-20作为网络模型,将NS-IPM分别与全局剪枝方法和传统分层剪枝方法进行对比。实验结果表明,基于网络特征的分层剪枝方法在VGG-16模型上表现良好,在压缩率高出接近一倍的情况下,准确率仍比单剪枝率的分层剪枝方法高3.6%,且整体表现优于全局剪枝方法。当压缩率到达98.85%以上时,在Resnet-20模型上的准确率比单剪枝率的分层方法高20%,接近于全局剪枝方法。这证明了NS-IPM方法充分利用了网络特征,并提高了分层剪枝方法的表现,与传统分层剪枝方法相比具有明显优势,为传统分层剪枝方法的应用受限情况提供了一种可选择的解决方案。更重要的是,实验结果也证明了,NS-IPM方法不仅在多智能体强化学习场景中表现良好,而且也可以很好的应用于图像识别领域。这说明NS-IPM是一个适用性强且有效的剪枝方法,为多智能体强化学习的研究提供了一种新的研究思路和方法。