随着深度学习中卷积神经网络技术发展,现今的卷积神经网络的模型结构应用越加广泛。为了提升模型性能,网络模型通常变得更加复杂,规模日益庞大,且神经网络本身存在计算冗余,使得边缘设备无法满足复杂模型的运算需求。因此深度卷积神经网络的模型压缩工作被广泛研究,使用有效的模型压缩算法可以减少冗余度,让复杂模型转变为轻量模型以适应更丰富的应用场景。本文主要工作研究了轻量化卷积神经网络和结构化模型剪枝技术。首先是手动设计轻量化卷积模块来构建神经网络RDPNet。主要方法是基于深度可分离卷积和重参数化方法构建RDP模块,其多路结构模块用于训练,重参数化的单路结构模块用于推理。在此基础上,以适当的深度和宽度调整来构建整体网路结构。实验结果显示RDPNet在同类型轻量化神经网络的比较中表现突出,在模型性能和推理速度两方面达到了较好的平衡。然后是改进并提出了全局自适应剪枝方法,这是一种结构化动态剪枝方式。利用稀疏化训练得到带有稀疏解的模型,根据训练所得掩码对通道重要程度进行判别,进而对冗余通道进行剪枝以压缩模型。采用这种方式的优点在于算法注重探索模型的隐式架构,且动态地对处于训练状态的通道进行重要性判断,以达到更好的压缩效果。最后是将提出的两种网络压缩方法应用在了边缘设备环境中。通过使用INT8量化方法,在前两种方法基础上进一步压缩模型大小,加速计算。通过在边缘设备上对压缩模型进行推理,验证了本文提出的压缩方法的有效性。