深度神经网络已经被广泛应用在计算机视觉、自然语言处理、语音识别等领域。随着深度神经网络的层数越来越深,参数规模也越来越大,训练与运行深度神经网络的时间也越来越长,对机器设备的要求也越来越高,深度神经网络在手机等移动设备上的部署和运行也受到约束,因此减小深度神经网络的计算量和存储空间显得尤为重要。深度神经网络剪枝是一种通过剪枝减少网络参数冗余缩小网络规模的方法。本文从深度神经网络中的权重值出发,分析其大小以及其变化趋势,并采用不同的方法对权重进行剪枝以缩小深度神经网络的规模,降低其对硬件设备的要求、减少能耗以及更好地部署在移动平台上。本文主要工作内容如下:(1)设置探针获取深度神经网络的权重值,通过从曲线趋势、斜率、离散程度等方面对训练过程中的权重参数进行量化分析,发现生成式网络的权重在训练过程中不同阶段的特征,结合实验提出了一个可行的用于判断深度网络训练是否可以适时终止的条件。(2)采用细粒度的单个权重剪枝方式对深度卷积神经网络进行剪枝,实验结果表明该剪枝方法能有效减少参数冗余,剪枝后的网络更为稀疏,并能获得与原网络接近的准确度。(3)采用结构化的卷积核剪枝方式对生成式对抗网络进行剪枝,实验结果表明使用卷积核剪枝方式对生成器网络进行剪枝可以使得网络模型在剪枝后直接缩小存储空间和提升运行速度。(4)为检验剪枝带来的实效,尝试将剪枝后的深度网络部署在Android平台并获得成功,表明深度网络可以在经过简化后在低端平台部署应用。