卷积神经网络在图像领域的成功得益于其层数和神经元数的增加,然而这使得深度卷积神经网络部署于资源有限的硬件设备时会受到模型计算成本的制约。为解决该问题,本文针对深度卷积神经网络的轻量化问题展开了研究,主要研究工作如下:本文将卷积核剪枝引入到卷积神经网络中,利用剪枝算法对模型参数进行轻量化操作,而传统magnitude-based权重剪枝方法只着眼于卷积核权重值本身,没有考虑到卷积核之间的关联。在大比例剪枝的情况下,很容易造成卷积核空间结构的破坏,从而导致剪枝后模型精度的大幅下降。考虑到卷积神经网络模型中各卷积核在提取图像特征时呈现出一定的类别性,相似的卷积核会从相似的角度提取特征,这就构成了信息的冗余。本文通过Activation Maximization（AM）算法仔细探究卷积核的类别性,提出一种基于密度峰聚类的剪枝算法。该算法基于密度峰聚类利用卷积核的权重参数尽可能提取卷积核之间的相似性信息,将各卷积层中的权重结构相近的卷积核划入相同的簇。随后在每个簇内采用Average Percentage of Zeros（APo Z）从激活值角度反向对卷积核进行重要性排序,移除重要性较低的冗余卷积核。相较于传统的magnitude-based权重剪枝方法,所提方法能够更有针对性的选取冗余卷积核,在尽可能大的提高压缩比例的同时避免对某些簇的过度修剪,从而保证剪枝后特征提取的多样性。在全卷积神经网络上的实验表明,本文方法在维持较小精度损失的前提下,实现了较高的模型参数压缩比。同时,在相同压缩比下,本文方法相较于APo Z等经典magnitude-based剪枝方法有更好的表现。