近年来,深度神经网络模型在计算机视觉、自然语言处理、语音识别等领域取得了令人瞩目的成果,推动了人工智能的发展。然而,为了处理日益复杂的智能任务,神经网络模型结构变得越来越深且越来越宽,其对应的参数量和计算量也在成倍增长,这对于神经网络模型的部署带来了巨大的挑战。大量的研究工作对神经网络模型的参数、结构、输入样本等进行了分析,尝试从不同的方向探索如何压缩模型的参数量以及减少模型执行的计算量。现有的深度神经网络模型性能优化方法进行模型优化时存在优化策略单一、优化效率不足、实际性能有限的问题。首先,现有优化方法往往采用单一的优化策略,比如考虑模型参数的剪枝策略,考虑输入样本难度的条件激活策略等,未有效结合不同的模型优化策略,充分利用各自的优势;其次,它们通常只关注最终的模型压缩和加速效果,比如设计精细的剪枝策略,而没有考虑优化效率,这导致优化过程存在耗时长的问题;最后,对于优化后的模型,已有的方法往往通过主流深度学习框架调用芯片厂商提供的算子库,在智能处理器上执行优化后的模型,但是,深度学习框架中隐藏了算子的底层实现细节以及智能处理器的底层硬件特性,用户很难从算子层面进一步提升神经网络模型在智能处理器上的实际性能。本文对面向深度神经网络模型的性能优化技术展开研究,主要包含以下三个方面的贡献:1)提出了一种有效结合不同模型优化策略的模型优化框架CondAFP。CondAFP综合考虑了基于条件激活的模型优化策略和基于剪枝的模型优化策略的原理,构造设计空间,通过基于遗传算法的设计空间探索自动搜索合理的配置参数,充分利用基于条件激活的模型优化策略和基于剪枝的模型优化策略二者的优势,从而在满足模型准确率需求的前提下,提升深度神经网络模型在智能设备上的实际性能。使用Res Net-20、Res Net-18等主流神经网络模型进行测试,结果表明,在模型准确率需求相同的情况下,CondAFP可以对原始神经网络模型在智能边缘设备上实现1.53倍的速度提升,能耗节省34.61%。2)提出了一种面向滤波器剪枝优化的掩码感知卷积计算方法MaskACC。MaskACC通过剪枝优化策略的掩码信息动态组织剪枝过程中权重和输入张量的有效通道和滤波器,避免与无效通道和滤波器相关的冗余计算,并且采用高效的GEMM卷积实现,加速了滤波器剪枝优化的前向传播过程和反向传播过程,从而提升神经网络模型优化的效率。使用主流神经网络模型Alex Net、VGG16,以及Res Net-18进行测试,结果表明,MaskACC可以对基于传统GEMM卷积的滤波器剪枝优化过程实现高达1.61倍的效率提升。3)提出了一种面向智能处理器的神经网络模型编程框架FlexPDA。在FlexPDA中,我们通过对神经网络模型的算法特性以及智能处理器的硬件特性进行分析和抽象,设计了一种领域特定的语言FlexPDA C,并且基于LLVM编译框架实现了硬件架构相关的编译优化方案。FlexPDA为用户提供了灵活的算子接口,以及并行、访存等系统优化方法。原始的深度神经网络经过模型优化后被转换为一个精简的神经网络模型,用户可以通过FlexPDA从算子层面进一步优化精简模型中的每个算子在智能处理器上的实际执行性能,从而实现神经网络模型在智能处理器上灵活且高效的部署。使用主流神经网络模型Alex Net进行测试,结果表明,FlexPDA可以对使用深度学习框架中的算子库实现的深度神经网络模型在智能处理器上实现高达1.62倍的性能提升。