深度神经网络广泛应用于图像分类、物体检测和语音识别等领域之中。然而,神经网络庞大的存储和算力需求严重阻碍了其被大规模地部署于资源受限的移动设备和嵌入式设备之中。利用通道剪枝技术和网络量化技术可在很大程度上压缩网络模型体积并加速网络的推理速度,目前已成为深度学习模型轻量化领域中的两个重要分支。现有神经网络剪枝方法对某一层神经网络进行通道剪枝时仅考虑和利用了当前层网络的统计信息,而忽略了神经网络连续层之间的关联关系,这种分离式的通道剪枝方式不能最大程度地去除神经网络中的冗余通道,且导致模型在一定程度上的精度损失。本文创新性的提出一种Out-In-Channel通道剪枝算法(OICP)克服上述分离式通道剪枝的缺陷。OICP以Out-In-Channel为最小的剪枝单元,在对网络做结构正则化约束与在进行冗余通道选择时都充分考虑了神经网络中连续层网络的关联关系。OICP还提出一个全局贪婪剪枝算法自动且合理地确定每层网络的通道剪枝比例。OICP的有效性在ResNet、DenseNet、PreSeNet和MobileNetV2等网络架构上得到了充分的验证,且在ImageNet-1K图片识别任务上取得state-of-the-art的压缩加速效果。使用OICP移除ResNet-50网络37.2%的FLOPs,通道剪枝后的网络精度反而比原网络上升0.22%;使用OICP移除ResNet-50网络50%的FLOPs,网络Top-1精度仅下降0.37%。神经网络量化技术通过使用低比特数值代替原网络中的浮点型参数和激活值来达到压缩和加速效果。当前很多量化方法一次性将浮点型的参数和激活值都量化到低比特的数值(One-Shot量化),带来了严重的网络震荡,量化网络因此存在训练收敛难,精度低的问题。本文提出一种输出通道维度上的增量量化算法来解决上述量化工作的缺陷,该增量量化算法通过迭代地量化网络参数和激活值的方式来减小量化过程中的网络波动。在每次量化迭代中,只有一部分输出通道对应的网络参数和网络激活值根据规则被选取并量化。且为了进一步缓解网络的波动,每次量化迭代中被量化的权重和激活值在输出通道维度上应该是不相交的。实验证明该增量量化算法可以很好地解决量化网络训练收敛难的问题,且能在一定程度上提升量化网络的精度。使用上述增量量化算法在ImageNet-1K数据集上对ResNet-18网络进行3bits量化,量化后的网络精度比One-Shot量化方法的网络精度高2.03%。