随着深度学习的发展,卷积神经网络被广泛用于计算机视觉任务中。然而,在通过增加卷积神经网络深度来提高其特征表达能力的同时,模型逐渐变的过度参数化,很难部署在运算能力和内存资源受限的嵌入式设备上。因此,研究如何在保证网络模型性能不显著下降的情况下,有效地减少网络模型的参数量和浮点数运算量,对于将深度学习相关技术落地于实际具有重要意义。通道剪枝是一种结构化剪枝方法,也是常见的网络模型压缩技术之一,拥有着较强的易用性和较高的压缩率。本文主要对通道剪枝算法进行深入研究,主要研究内容和贡献如下:（1）提出基于特征图相关独立性的通道重要性度量方法。相关独立性可以直观地理解成“可代替性”:若一个通道输出的特征图能够被同层中其他通道输出的特征图所代替,则该特征图相关独立性较低。输出特征图相关独立性较低的通道可以被认为是冗余的通道。该方法通过引入二维辅助矩阵,利用信息熵的概念量化出每个通道输出的特征图相关独立性。随后将该度量方法嵌入全局剪枝方法中,把量化出的特征图相关独立性作为对应通道的局部重要性,通过遗传进化算法把局部重要性转换成全局重要性,从全局角度对模型进行结构化剪枝。实验证明,该方法可以在几乎不影响模型精度的条件下,大大减少卷积神经网络模型的参数量和浮点数运算量。（2）提出基于双DDPG的自适应全局剪枝算法。遗传进化算法中的变异过程本身具有随机性,并且变异结果对下次变异没有导向作用,最终导致进化的迭代过程耗时较长、结果不稳定。本文基于强化学习的概念,分别利用两个DDPG代理在连续变化的空间中学习出每一层的全局规模系数和偏差系数。并且设计出了基于LSTM的模拟空间用于模拟出下一个状态。实验表明,相较于目前主流通道剪枝算法,该算法更能准确地移除网络模型中冗余的通道,并且剪枝后的网络模型仍有较强的特征信息提取能力。（3）提出基于多网络协调训练的模型性能恢复策略。受相互学习和知识蒸馏的启发,本文基于嫁接的概念,提出基于自适应加权的多网络联合并行训练策略,用于提升剪枝后网络模型的性能。该策略采用不同的训练参数训练多个相同的网络,训练过程中网络之间进行参数的自适应加权。为了解决多网络训练中的收敛缓慢问题,本文还采用基于梯度集中的随机梯度下降优化算法。相较于简单地微调、重新训练以及知识蒸馏,该训练策略得到的网络模型精度更高。