深度神经网络逐渐成为学术界和工业界共同的研究热点,它能通过深层的网络结构和海量的训练参数进行特征提取。但是也正因为网络层数过深和训练参数过冗余,导致了深度神经网络中模型尺寸大、运行速度慢这两大主要问题,这也是深度学习技术难以推广到移动设备和实时应用中的重要原因之一。为此,本文提出两种基于剪枝的深度神经网络压缩算法,分别用于解决网络的模型压缩和运行加速的问题。为了解决模型压缩问题,本文提出了基于交叉熵剪枝的深度神经网络压缩算法。该算法计算出每条边的交叉熵相关系数,所有具有小于组阈值相关系数的边将被剪枝。交叉熵和分组策略有效增了网络的泛化能力并加速了再训练过程中的收敛。在此之后,本文还探索了“保留部分本应被剪枝的边”这一方法的可行性。在三种不同神经网络上的实验结果表明,本文提出的基于交叉熵剪枝的深度神经网络压缩算法相比于其他方法具有更高的压缩率和较好的预测精度,即使在难以压缩的小型神经网络上仍然具有较好的鲁棒性。为了解决运行加速问题,本文提出了可变正则化稀疏组剪枝网络压缩算法。该算法在传统Group LASSO的基础上增加了稀疏分组策略,对于不同的权重组根据其重要程度设置可变的惩罚系数。这样能有效学习大型深度神经网络中的复杂稀疏结构,同时正则化的网络模型不仅能在卷积层的计算中数倍加速,还能有效减少过拟合现象的发生。对于算法的对比和评估的实验在三个数据集上实施。对比结果表明,可变正则化稀疏组剪枝算法收敛得更快,另外在相同加速比下,预测准确率要优于其余对比算法。整体来说,本文提出的两种算法在各个指标上表现较为稳定,都能在目标领域满足应用需要,具有较高的应用和研究价值。