从2000年开始,深度学习在计算机视觉等领域再一次蓬勃发展,解决了很多使用传统方法无法解决的难题。在深度神经网络（DNN）的发展历程中,多数研究者倾向于提升模型的精确度,因此,为了提取出更加复杂的特征,深度神经网络的规模变得越来越庞大。然而,过于庞大的网络对运行设备的存储空间和运算能力提出了更高的要求,不适合运行在资源受限平台（如嵌入式设备）,而很多现实的应用场景都要求在终端设备完成计算。因此,深度神经网络模型的压缩、加速与优化成为学术界和工业界共同关注的迫切问题,也是关系到深度神经网络能否在受限平台落地的关键要素。同时,虽然神经网络的参数规模很大,但其中的一部分参数对最终结果的影响不大而显得冗余,网络剪枝可以对模型中冗余的结点和连接进行裁剪,从而减小网络参数的规模和网络推演时的计算量。因此,网络剪枝对深度神经网络性能的优化具有重大意义。基于以上分析,我们研究了一个受限平台实时推演的典型场景（即实时手部姿态估计）的网络剪枝问题。手部姿态估计是机器视觉中的一个重要的研究问题,被广泛应用在人机交互、娱乐行业和工业控制等领域。手部姿态估计的硬件设备一般是移动和嵌入式设备,使用场景对实时性、隐私性要求较高,需要在终端实现算法推演的全过程,并且兼顾到移动设备的存储空间和耗电量。基于这一需求,我们希望对手部姿态估计的网络模型进行压缩。然而,目前多数网络压缩算法在提升模型效率的同时,也会带来模型精度的大幅下降,比如关节点的平均误差增大。所以,为了取得模型精度和效率之间的平衡,在选择网络压缩算法时应该进行充分的分析,针对原网络的特点进行相应的优化。本文首先介绍了三维手部姿态估计和网络压缩算法的研究背景、意义和现存问题。针对现存问题,为了使算法能运行在资源受限平台,在不大量损失算法精确度的基础上,提升算法的运行效率,我们进行了如下的工作:第一,我们对常用的手部姿态估计算法进行了分析,综合对比了方法的精确度、运行时间和参数规模,最终选择了精确度和实时性较好的Dense Reg网络作为本文手部姿态估计的基础方法,在NYU手势数据集上实现了10.21mm的平均三维关节误差,但是我们同时也发现该算法在CPU上运行的速度无法达到实时的要求。于是,我们提出了基于深监督的两阶段剪枝算法,移除了冗余的分支和卷积层,使得裁剪后的轻量级网络可以实时地运行在CPU平台上,实现了11.9mm的平均三维关节误差,速度提高到了31.3 FPS（原本网络为22.7 FPS）。第二,针对通用的硬件平台（CPU）,我们探索了算法端到端的运行效率。我们发现虽然GPU平台下的回归网络推演效率高,但是前处理和后处理的效率不如CPU平台高。因此,我们在CPU平台下进行了进一步的优化,使用Open VINO工具包,提高了在CPU平台下的网络推演效率,使得优化后的模型在CPU上的运行速度（56 FPS）超过GPU（44 FPS）上的运行速度。第三,我们完成了端到端程序的开发,在实际环境下检验了算法的稳定性和实时性。实践证明,加入深监督之后的重训练过程,可以有效弥补由于剪枝而带来的精度显著下降问题,使得训练过程更快收敛。优化后模型的精确度可以和大部分现有方法媲美,同时也可以在资源受限平台下实时运行,展现出很高的稳定性,不影响用户流畅地交互。综上,本文的创新点主要基于第一和第二项工作,首次将基于L1范数的channel剪枝方法应用到Dense Reg网络中,并将其作为网络剪枝的基础方法,分析了Dense Reg网络卷积层的权重分布。同时,我们分析了现有网络在结构上的冗余部分,提出了两阶段的剪枝算法和prune-and-retrain的裁剪策略,并添加深监督模块使得重训练更快收敛、精度恢复更快,满足了生产环境中手部姿态估计任务的落地需求。