深度卷积神经网络在机器视觉的各个领域都取得了显著的效果,在图像识别、语义分割、行为检测、图像跟踪等任务上,获得了超过人类能力的性能表现。高性能的网络模型往往对硬件的算力、资源和能耗等方面有更高的要求。在工程化应用的过程中,如何将这类资源消耗性的网络模型部署到资源受限的移动/嵌入式设备上,这仍然是一个亟待解决的挑战。模型轻量化技术是由工程派研究人员提出,在少量额外精度产生的前提下,用精简网络来替换深度网络的一种解决方案。这种方案通常是基于特定的规则,通过网络稀疏化操作后,获得相对紧凑的网络模型来完成既定的机器学习任务。本文采用了两种通道修剪策略来实现深度神经网络的轻量化设计,基于混合统计特征的选择准则以及基于强化学习的分配准则。具体而言,对预训练的网络模型而言,基于混合统计特征的选择准则采用了修剪阈值作为灵敏度指标来替代固定比例的修剪方式,选取了每个特征层中的统计特征作为观察值,进而构造评价函数,通过评估各个层中特征图的统计得分,来筛选出负得分的通道,通过掩膜屏蔽相关权重的更新。基于强化学习的分配准则围绕通道修剪任务,重定义了强化学习的动作、状态空间,采用了改进的Q-learning策略来确定修剪动作,同时保障精度的奖励函数可以帮助环境筛选出资源占用和性能表现更优异的稀疏网络模型。强化学习策略利用奖励来修正各个层之间修剪指标的分配问题,来筛选出不需要再被更新的通道,通过掩膜屏蔽相关权重的更新。为了保障网络模型具有良好的泛化性能,稀疏网络模型通过适当精调来进行重新训练,以实现性能不受损伤。模型裁剪日程结束之后,构建紧凑模型来保存源模型中的稀疏连接。相关实验是在CIFAR-10数据集和ILSVRC-12数据集上进行的,采用了Pytorch框架来进行训练和实施模型压缩策略。为了验证所提出方法的有效性和普适性,选用了主流的深度网络架构:VGG与Res Net结构,分别进行轻量化裁剪。实验结果证明了两种方法的有效性,能极大的提高网络模型的推理效率,降低空间占用,并且网络的识别能力基本保持不变。