随着大数据和高性能计算机的飞速发展,深度卷积网络已在智能交通、智能医疗等重要领域取得突破性进展。但为了提升网络的性能,深度卷积网络的结构复杂度和模型尺寸不断上升,这严重阻碍了深度网络在嵌入式等边缘设备的部署。因此,关于深度卷积网络模型压缩方法的研究得到广泛关注,并成为深度学习领域的重点研究内容。根据是否需要构建预训练模型,现有深度卷积网络模型压缩框架可划分为有预训练模型与无预训练模型的压缩框架。其中,张量分解等低秩近似方法可应用于两种框架以去除网络冗余或不重要参数,且已成为深度卷积网络压缩的主流方法之一。本文主要针对有预训练模型压缩中的约束型压缩方法和间接压缩方法存在的不足展开研究,同时,针对现有网络模型压缩方法应用领域较为单一的问题,开展拓宽其应用领域的研究。主要工作与贡献概括如下:1.总结现有深度卷积网络压缩框架与方法,详细介绍深度卷积网络压缩和张量分解的基础理论。经过对不同深度卷积网络压缩框架的深入分析,在基于预训练模型的压缩框架中,指出基于矩阵分解的约束型压缩存在参数结构信息丢失、压缩步骤复杂繁琐的问题;同时在无预训练和基于预训练模型的压缩框架中指出,直接学习和基于张量分解的间接压缩中存在未压缩模型信息未获得充分利用,且未压缩模型缺乏低秩特性的问题。上述综合分析为本论文后续研究提供了明确方向。2.针对基于矩阵分解和预训练的约束型压缩存在权重参数结构信息的丢失与压缩过程复杂的问题,提出基于张量分解的直接LC网络模型压缩方法（Tensor Decomposition-based LC algorithm,TDLC）。该方法首先去除学习-压缩（learningcompression,LC）框架中的预训练过程,随机初始化网络模型。其次,将LC算法和张量分解方法结合,保证权重参数结构性。同时,解决学习步骤和压缩步骤中的学习率配置和最优秩选择问题,提升网络压缩效率,最终实现最优压缩。实验部分包括图像分类任务与图像超分辨率任务,实验结果表明,与9种最先进的压缩方法相比,所提出的方法可以有效地减少网络压缩时间,并且在模型性能和压缩率之间有一个很好的平衡。例如,与基于预训练的TDLC相比,所提方法在Resnet32中实现了22%的训练时间缩短和22%的参数减少,同时提高了0.02%的分类精度。3.针对基于张量分解的间接压缩缺乏低秩特性的问题,提出基于ADMM框架的最优网络模型压缩方法（ADMM-based optimal network model compression method,ADMM-OC）。该方法首先最小化具有低秩张量约束的未压缩模型的损失函数。其次,通过交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）与Cosine学习率,使得未压缩的CNN模型具备低秩特性,最后,在经过ADMM训练阶段后,通过基于SGD的微调高效恢复压缩网络的性能。关于图像分类任务的实验结果表明,与11种最先进的压缩方法相比,所提方法能够在网络性能不受损失的情况下,更大程度地降低网络的存储量与计算复杂度。值得注意的是,所提方法将Resnet56压缩到28%而无精度损失,且压缩模型的分类精度比LC方法高1.14%。