当前以深度卷积神经网络模型为基础的人工智应用成为了研究与开发的热点区域。然而,由于卷积神经网络中有大量参数,模型部署代价高昂。这种高昂的计算成本阻碍了一些先进的模型有效的部署。为了解决此类问题,本文提出基于融合权值的剪枝算法,以及基于滤波器剪枝算法。在这两种剪枝算法上配合数据量化,对模型压缩。文中主要的研究工作如下:首先,根据深度卷积神经网络模型中的各个卷积层中的参数分布情况评价贡献率进行剪枝,也就是权值剪枝。通过分析卷积层与全连接层中的各个参数排序,同时结合BN层中的参数综合评价神经网络中卷积层对于整体模型准确率的贡献。通过对整个模型中所有相关参数的排序之后根据确定的剪枝比进行剪枝。最后结合参数量化对模型进行计算量压缩。通过实验证明,该方法能够使得网络模型降低成原模型的1/4,计算时间为原模型的1/2。其次,在深度卷积神经网络剪枝方法中除了上述方法中使用的权值剪枝之外,还有基于滤波器的剪枝方法。滤波器剪枝在硬件兼容性上比权值剪枝好,但压缩比率上弱与权值剪枝。因此本文提出了一种基于神经网络滤波器细化剪枝和权值量化的方法。首先将神经网络中的滤波器细化成条状的滤波器条。其次,通过对滤波器条的评估,来细化滤波器中的各个部分重要性,剪掉不重要的滤波器条,并重组剩余的滤波器条。最后对重组之后的神经网络的训练中插入参数量化处理,进一步压缩神经网络的计算量。实验结果表明,该方法能显著降低神经网络的计算量,并压缩模型中的参数量。实验显示,这种方法在resnet56网络上参数量能降低至原来的1/4,计算量降低至原来的1/5,同时模型正确率损失只有0.01。最后,为了将模型更好部署在移动手机端,本文提出了一种基于混合拓张率的空洞卷积方式应用于卷积神经网络模型中。由于空洞卷积算法会提升模型的计算量,本文将上述提到的模型压缩算法与空洞卷积的方式结合后,部署到移动手机端,实现移动手机端的部署。本文中使用COCO数据集对模型进行推理训练,搭建基于移动端的快速物品识别检测网络模型。