近些年来,嵌入式凭借着其体积小、功耗低等诸多优点改变了人们生活、生产的方方面面。卷积神经网络在无人超市、人脸识别、布匹瑕疵检测、无人驾驶等场景的应用都对嵌入式设备的计算能力提出了严苛的要求。但嵌入式设备的资源有限,先进的卷积神经网络动辄包含上亿的参数,无法在嵌入式设备上部署。为了让资源受限的嵌入式设备能够良好地运行卷积神经网络,完成实时的图像识别等任务,需要对卷积神经网络模型进行轻量化处理,即模型压缩。目前对滤波器、通道执行剪枝的结构化剪枝算法效果较好,被广泛采用。结构化剪枝算法当中的Le GR全局滤波器剪枝算法在保证模型准确率的前提下,比其他剪枝算法节省至少1/2的时间。但实际环境中,需要快速地部署模型,对滤波器进行全局排序时耗时较长,将难以满足实际的需求。在保证剪枝后模型准确率的前提下,通过合理的方法对其进行改进,减少排序时间,使得卷积神经网络模型能够快速地在资源受限的嵌入式设备上部署是需要解决的问题。通过国内外研究现状的分析,现有研究成果基础之上仍然存在有所改进之处:（1）在对滤波器进行排序时采用老化进化算法通过凑试法去寻找放缩比例α和偏置κ,需要不断重复搜索、剪枝、微调、计算准确率等步骤,耗费了大量的时间。并且对于结构越复杂的卷积神经网络,需要采用更多的搜索轮数,滤波器排序耗时越长,不利于卷积神经网络在嵌入式设备上的快速部署。（2）实际开发当中,由于内存容量、存储空间大小、计算能力等限制,难以将算法部署在资源受限的嵌入式设备中。本文采用了解析的方法对Le GR全局滤波器剪枝算法进行改进,构建了滤波器权值的公平性函数,将双变量随机搜索问题转变为单变量解析问题。通过实验证明,改进算法剪枝后模型的准确率与原算法达到同等水平,并且能够大幅地减少排序所花费的时间,更利于模型的快速部署。另外,设计并开发了一个适用于无人超市的果蔬识别系统,综合考虑了嵌入式开发板的内存大小、存储空间大小、计算能力高低等因素,将改进算法与该系统部署在开发板上。通过对比实验证明,改进算法在保证模型准确率的前提下,能够采用更高的剪枝率进一步地减少约40%的图片推理耗时,达到了实时识别的要求。主要研究内容如下:（1）采用解析方法对Le GR全局滤波器剪枝算法进行改进。通过机理法构建了滤波器权值的公平性函数,然后解析求得每一层滤波器的公平性参数。该参数能够更公平地反映每一层的滤波器的参数分布,也能够更公平地对滤波器的重要性进行排名,将全局滤波器放在同一个坐标系下进行排序。基于CIFAR-10、CIFAR-100、CUB-200数据集对Res Net56、Mobile Net V2、Res Net50、VGG13预训练模型进行剪枝实验,证明改进的Le GR算法能够在保证模型准确率的前提下,大幅地减少滤波器排名所花费的时间。（2）将改进算法部署在嵌入式开发板上。设计并开发适用于无人超市的果蔬识别系统。然后根据嵌入式开发板内存大小、存储空间大小、计算能力高低等因素分析并设置合理的剪枝率,采用改进后的算法与原算法对初始模型进行剪枝。通过创建Swapfile分区、搭建Open CV环境、配置摄像头RTSP协议等方法将改进算法与果蔬识别系统部署在开发板的Cortex-A53单核1.0Ghz CPU,512MB DDR3L RAM,8GB ROM的嵌入式环境中。最后,通过对比实验证明,与原算法相比改进的Le GR剪枝算法在保证模型准确率的前提下,能够采用更高的剪枝率进一步减少图片推理耗时。