随着人工智能时代的到来,智能手机、无人机、机器人等一系列的移动端都尝试通过深度神经网络实现图像识别、物体跟踪等智能任务。在移动端上部署深度神经网络有很多的优势。但是深度神经网络通常是过参数化的,并且深度学习模型存在严重冗余,这导致了计算和存储的巨大浪费。目前大多数深度模型都由于尺寸太大而无法部署到移动端,针对这个问题,本文提出了一种深度神经网络的压缩方法。本文提出的深度神经网络的压缩方法可分为三步进行。首先通过网络修剪策略对正常训练后的深度神经网络进行修剪,这一过程将原始网络变为稀疏网络,实现了对于网络的初步压缩;然后对网络每层的权重进行K-Means++聚类,用所得的聚类中心值表示网络的原始权重值,以此实现权值共享从而减少权值的数量,再次实现深度神经网络的压缩;最后通过各层聚类来进行各层权重的量化,进行再训练更新聚类中心,量化过程减少了表示权值所用的位数从而实现了对于深度网络的最终压缩。本文在Linux操作系统下基于Caffe框架分别对LeNet网络、AlexNet网络和VGG-16网络进行了实验。本文提出的深度网络压缩方法简单有效,最终将深度神经网络整体压缩了 30到40倍,并且没有精度损失。本文还进行了修剪率、聚类方法、优化方法等各方面的详细对比实验。实验结果表明通过本文的压缩方法,深度神经网络在不损失精度的条件下实现了有效压缩,这使得深度网络在移动端的部署成为了可能。