彩票假设指出在一个随机初始化的稠密网络中存在能够被独立训练的稀疏子网络（彩票网络）,且这样的子网络能够达到与原网络一致的性能。然而,先前的大量研究将网络的性能等同为其在测试集上的准确率。但准确率远非唯一的衡量指标,有时甚至可能不是最重要的。因此即使彩票网络能够维持原网络的准确率,仍可能存在未知的特性损失,无法直接用彩票网络替代原稠密网络。此外,彩票网络的搜索过程需要反复进行训练和剪枝操作,本身消耗了大量的计算代价,限制了彩票假设的实际价值。针对上述问题,本文面向图像分类任务开展研究,对彩票网络的不同特性进行全面地评测并提出了一种高效搜索彩票网络的算法。本文的主要的工作和创新点如下:从分布偏移数据的泛化特性、预测不确定性、可解释性以及损失函数平面的几何特性四个角度全面分析了彩票网络的主要特性。其中对于分布偏移数据的泛化特性,本文分别考虑了对抗扰动以及自然扰动图像。对于预测不确定性,本文采用静态校准误差和负对数似然误差两种典型的衡量指标。此外,本文分别从宏观和微观两个角度探究模型的可解释性,并根据损失函数在参数空间对应的Hessian矩阵的特征值和迹来分析其平坦程度。根据在CIFAR-10,CIFAR-100,ImageNet数据集中的实验结果,本文发现在一定的稀疏度范围内,彩票网络在以上四种角度都能拥有与原网络一致的特性。提出了一种数据-模型协同稀疏化算法,通过特定方式挑选训练数据构建PrAC集（Pruning-Aware Critical set）,并用PrAC集代替原训练集实现彩票网络的高效搜索。最近的一些研究发现,深度神经网络对于某些数据存在训练中难以记住或是剪枝后容易遗忘的现象。受此启发,本文利用上述现象筛选出对于彩票网络搜索过程最为关键的样本,以此构建PrAC集。通过在PrAC集上进行训练和剪枝,可以有效减少所需的训练轮次同时找到高质量的彩票网络。本文通过在不同数据集和模型结构上的大量实验验证了所提出算法的有效性。本文能够加深人们对彩票网络的理解,提升彩票网络的搜索效率,为日后在实际场景中部署彩票网络提供重要参考。