深度学习成为了目前关注度极高的学术领域,技术层使用了深度神经网络（Deep Neural Networks,简称DNN）,通过深度神经网络对输入的数据进行学习分析的机器学习算法,是人工智能领域的重要分支,因其对数据表示出的强大拟合能力,近几年来在图像分类、自然语言处理和语音识别等领域已取得了巨大成功,但因其庞大的模型结构和较低的运算速度导致在很多小型设备上的部署受到限制。神经网络面临的模型大,运算慢的问题,经实验表明,合理的剪枝方法可以有效解决。剪枝技术是在保持深度神经网络性能基本不变的情况下,去除一些在模型中多余的部分。网络剪枝方面分为两类,一类是面向神经元,另一类面向权值。神经元的剪枝过程中,通过去除多余的结点来迅速降低模型的复杂性,提升计算效率。结点删除能适用于更多的应用场景,但权值裁剪应用情况比较局限,需要在特定的框架和硬件条件下才能实现加速效果。神经元剪枝在任何框架下都能极大地压缩模型和提升运算速度,拥有更强的适用性。但神经元剪枝中存在删除大量结点后模型准确率下降过快的问题。尽管目前有许多研究者关注神经网络的剪枝,但是目前神经网络的剪枝依然面临许多问题:1)深度神经网络裁剪算法中对神经元重要性赋值的时效性问题。2)如何利用神经元之间的相关性设计更高效的无参剪枝方法。针对这些问题展开研究,我们的主要成果如下:（1）解决深度神经网络裁剪时对神经元重要性赋值的时效性问题,我们创新性地提出了记忆性优化方法。在神经网络的训练过程中神经元的重要性并非一成不变的,而以往算法通过一次性计算得到当前神经元的重要性,并删除不重要的神经元,这样的裁剪思路明显存在问题。针对这个问题,我们将积分制策略应用到神经元权重赋值的过程中,该策略能够有效的解决神经元赋值时的时效性问题。该记忆性策略能够根据不同的神经元个数进行调节,并且在网络结构裁剪时能够合理的“记忆”之前的权重。（2）提出无参的神经元相关性判定方法。传统的神经元裁剪是将神经元经过赋值排序之后,根据一定的准则删除不重要的神经元,或者根据算法判定神经元之间的相关性,通过设定阈值来删除其中一个,但是这个界限往往需要人为的调整,就会存在较大的误差。本文根据记忆性赋值结果和首次结果的对比中,发现了神经元之间相关性的判定方法。该方法无需参数调整和复杂的相关性计算即可判定可相互替代的结点。实验验证这种方法的有效性,对比了三个算法,随着裁剪个数不断增多,优化后的算法能够有更强的稳定性。