深度学习自2014年兴起以来,随着计算机硬件的提升迅速发展,已成功应用于多个领域,特别是计算机视觉方向。然而,深度学习在进一步落地应用时,其可解释性的缺乏及模型规模较大导致所需算力要求较高的问题一度成为其阻碍,故深度学习可解释性的研究及神经网络压缩是热门的研究方向。本文针对卷积神经网络可视化解释方法的不足以及特征层存在的特征冗余问题展开深入研究。主要研究工作如下:首先,提出一种基于信息熵的神经网络特征度量方法,对模型的全局特征提取性能进行评估。在不同结构的模型以及同一模型的不同训练程度上进行评估,并在两个基准图像库CIFAR10和ILSVRC2012数据集上开展实验。实验结果表明,所提出特征度量方法与模型的分类性能在统计意义上存在一定的相关性。不同深度的特征层在特征提取方面存在差异性,层次较深的特征层在进行特征特化与整体特征提取的能力要明显优于层次较浅的特征层。更进一步地,实验结合了类激活图方法,从可视化的角度印证了特征度量方法的准确性和有效性,同时对模型的全局特征提取性能的度量也在一定意义上解释了模型性能的优劣。其次,结合所提特征度量方法与模型性能存在相关性且无需标签的特点,提出一种卷积神经网络无标签验证方法,并通过皮尔逊相关系数进一步证明所提无标签验证方法与有标签验证方法之间的相关性。进一步将其应用于医学图像分类。在Deep Lesion数据集上的实验表明,所提方法与有标签验证方法具有强相关性,且通过无标签验证方法可以有效找出最优模型。在验证数据缺乏的情况下,本文方法可以有效代替有标签验证方法。最后,提出一种基于权重注意力机制的通道剪枝算法。根据自注意力机制能有效提取上下文相关信息的特点,将其应用于滤波器剪枝,用于计算滤波器之间的相似性,进一步找出冗余的特征并对其进行剪裁。实验结果表明,所提出的剪枝方法能有效找出冗余的滤波器,在几乎不损失性能的情况下,大幅减少模型的计算量。与目前最先进的方法相比,取得了竞争性的性能。同时,结合可视化方法,进一步验证所提方法可以有效去除冗余特征。