近年来,卷积神经网络(Convolutional Neural Networks,CNN)技术在诸如人脸识别,行人检测,自动化生产等场景中获得了广泛的应用。然而,由于CNN对计算和存储资源的需求较大,在一些资源受限制的移动设备和边缘计算设备上,原始CNN模型难以直接部署,这限制了CNN的应用范围。因此,针对CNN压缩的相关技术是目前神经网络在实际应用中的一个重要研究方向。在现有的CNN压缩技术中,通道剪枝算法由于能够在不改变CNN计算架构的前提下减少现有CNN模型的大小,在实际针对CNN模型的压缩任务中被广泛应用。然而,现有的通道剪枝算法通常在通道重要性估计方面存在通道估计局部性问题,或者在通道剪枝策略方面存在采用固定通道剪枝率的问题,此外,大部分通道剪枝算法在对包含批归一化(Batch Normalization,BN)层的CNN模型进行剪枝时,都采用了重新计算BN层中均值方差的策略以提高剪枝模型的性能,但是缺乏对造成这一现象原因的分析。本文针对这三个问题进行了深入研究,并分别提出了快速通道重要性传递算法(Fast Neural Importance Score Propagation,F-NISP)、基于多目标优化的自动通道剪枝算法(Automatic Channel Pruning Algorithm Based on Multi-objective Optimization,APMO)以及针对BN层固定均值方差对剪枝模型性能的影响(以下简称BN剪枝影响)的理论分析用以解决上述问题,具体研究内容如下:(1)针对现有通道重要性估计算法存在局部性的问题,神经元重要性得分传递(Neural Importance Score Propagation,NISP)算法可以以逐层传递的方式获得CNN的全局通道重要性估计,但是计算效率过低。在研究NISP算法的运行机理的基础上,以转置卷积的计算方式代替NISP算法中采用矩阵乘法的计算方式,提出了F-NISP算法,并将深度可分离卷积结构转换为传统卷积结构,简化了计算过程。实验结果表明,在保持NISP算法对CNN全局通道重要性估计能力的同时,F-NISP算法大幅度降低了计算和存储的需求。(2)针对现有通道剪枝策略方面存在采用固定通道剪枝率的问题,根据CNN的不同层对通道剪枝敏感度不一致性的特性,CNN模型的剪枝问题被建模为一个以CNN的性能和资源消耗为两个优化目标,以CNN每层通道的剪枝率为决策变量的多目标优化问题,并通过基于分解的多目标优化算法对该多目标优化问题进行求解,在此基础上,提出了APMO算法。相对于现有的通道剪枝策略,APMO算法能够自动的获得一系列在模型的大小和精度上取得帕累托最优的剪枝模型,从而便于对CNN模型的冗余性进行估计。实验结果表明,APMO算法相对于现有的采用固定剪枝策略的通道剪枝算法在相同计算量下能得到精度更高的剪枝模型。(3)针对现有CNN通道剪枝算法缺乏对BN剪枝影响的理论分析的情况,通过采用公式推导的方法对BN剪枝问题从理论上进行了相关分析,得到的结论为:在剪枝后的CNN模型中,其对应的原始模型中的均值方差相对于针对剪枝模型实际计算的均值方差存在偏移,使得输出的特征图分布和期望分布不一致,从而造成了最终剪枝后的CNN模型性能的大幅度下降。实验结果验证了这一分析结论的正确性。