深度学习近年来得到了快速的发展,在计算机视觉,自然语言处理等众多领域有着优越的表现,催生了一系列智能产品的落地。而深度学习的本质是在大数据支撑下,由多层神经网络堆叠形成的信号处理系统,具有参数量大,计算复杂度高等特点,需要依靠高性能的服务器端来处理庞大的网络参数运算与更新。很多时候,出于响应时间、隐私方面和服务稳定性的考虑,更希望将这些网络模型放在移动终端上运行,而移动终端的运算资源及计算能力有限,不能直接运行模型。目前普遍的做法是将训练好的模型存放在在云端,通过云与移动端进行信息交互,这导致了产品的使用效果的下降。因此,对深度神经网络进行压缩以降低其参数量和存储要求,提升运算效率,保持网络性能,使其满足通用移动设备的要求,已经成为是当下的研究热点之一,对移动设备的发展也有着重要的工程及社会意义。论文分析了国内外现有网络参数压缩模型的优缺点,结合网络参数的低秩和稀疏特性,提出以下模型压缩算法:1)基于克罗内克分解（Kronecker Tensor Decomposition,KTD）的改进方法压缩神经网络。该方法利用张量数据的多重克罗内克结构成功地刻画了数据在多重压缩结构上的内在关系,以使其能够识别复杂数据中的特征结构。实验结果表明,多重克罗内克分解拥有良好压缩率同时能够确保网络模型的准确率。2)基于张量列（Tensor Train,TT）分解提出多重TT（Multi-TT）分解压缩神经网络。首先设置多组分解参数对权重矩阵进行单TT（Single-TT）分解得到多组子矩阵,并将多组子矩阵叠加得到Multi-TT分解。然后,应用Multi-TT分解压缩神经网络,实验结果表明,该方法能在性能损失较小时获得更好的压缩率。最后,为了降低模型压缩造成的性能损失,额外引入稀疏权重矩阵与TT分解融合,得到了更合理的压缩模型。3)基于改进Shuffle算法压缩神经网络。该方法对输入数据进行移位与扩充操作得到新输入矩阵,将其与分解后的子矩阵运算得到输出数据。实验表明,移位并扩充的输入数据可以加强模型的学习能力,提升因模型压缩而下降的准确率。