卷积神经网络凭借其强大的特征学习能力和特征表达能力应用领域越来越广泛,近年来已成为计算机视觉领域的研究热点。然而,复杂的深度网络模型具有参数规模大、计算需求高、占用存储空间大等问题,无法移植到嵌入式设备或移动终端以满足实际应用中的需求。因此,对卷积神经网络的压缩研究就至关重要。本文在广泛研究了现有卷积神经网络压缩方法的基础上提出了融合权重与卷积核删减的网络压缩方法,并以卷积神经网络在目标检测和图像分割两大经典应用领域中的 SSD300(Single Shot Multi-Box Detector300)网络和 FCN(Fully Convolutional Networks)网络作为研究对象,验证本文提出方法的有效性。本课题的主要研究内容涵盖以下几个方面:(1)综合分析目前主流的模型压缩方法,深入研究权重删减方法对网络模型稀疏化的特性,结合权重与卷积计算的对应关系,提出融合权重与卷积核删减的网络压缩方法。首先采用权重删减的方法确定各卷积层有效权重的稀疏度;然后针对卷积层计算量大的问题,根据各卷积层中的权重稀疏度对冗余卷积核进行删减,以减少冗余参数量和计算量。最后对删减后的神经网络进行训练恢复网络性能。(2)采用融合权重与卷积核删减的模型压缩方法对SSD300网络模型进行压缩实验。压缩后的SSD300网络模型大小为12.5MB,检测速度可高达50FPS(frames per second)。实现了在保障一定的网络检测准确率的前提下,将SSD300网络压缩了 8.4×,加速了 2×。权重删减和卷积核删减融合的方法为SSD300网络在视频检测中的智能化应用提供了可行性方案。(3)压缩用于焊缝特征提取的FCN网络模型。融合权重与卷积核删减的模型压缩方法将FCN所需存储空间从512MB减少为23.3MB,对网络模型实现22.0×的压缩。这就使网络模型更适用于片上存储器缓存,并且大大方便了 FCN网络模型在焊缝跟踪系统中的嵌入。