人工智能的快速发展离不开机器学习的研究。在早些年,受限于硬件设备的计算能力,机器学习只能用于处理一些简单的分类和回归问题。而在近年来,随着大型计算机的出现、并行技术的发展、高性能GPU的涌现,人们可以训练部署更大规模的机器学习算法来处理更加复杂的任务,如图像分割、人脸识别、广告推荐等。深度学习作为机器学习的一个重要分支,被广泛应用于图像、视频、语音等相关任务中,并取得了巨大的成就。根据深度学习的特点,人们搭建越来越深的网络来获取更好的识别效果,但这也意味着深度学习模型在取得高的识别效果的同时,也需要巨大的计算资源、内存空间去做支撑。随着移动设备的普及,深度学习模型移植到移动端成为了一个趋势。但由于深度学习模型的计算密集型和存储密集型的特点,在手机、平板等资源受限的移动设备上,无法满足人们对实时性的要求。为此,深度学习模型压缩成为新的研究热点,特别是面向硬件的压缩算法更加备受青睐,为深度学习模型在微电子系统上的落地奠定了基础。本论文的第一个主要工作是提出了强制线性单元(Forced Linear Unit,FLU)深度学习压缩算法,该算法是硬件友好型压缩算法,可以通过调整不同的稀疏结构,如通道级稀疏结构、行级稀疏结构、列级稀疏结构、过滤器级稀疏结构、深度级稀疏结构等,去适应不同的硬件压缩环境,同时该算法是端到端的训练模式,可以更大程度学习模型的稀疏性,得到更高的稀疏率,更有效地利用硬件资源。脉冲神经网络(SNN)作为第三代神经网络,具有比第二代神经网络更加强大的信息容量和生物可塑性,是未来神经网络发展的一个趋势。脉冲神经网络主要被用于处理脉冲信号和与时序相关的任务中,目前在视频和音频方面取得了一定的成就。但大多数脉冲神经网络的固定的结构,限制了脉冲神经网络的应用,进化脉冲神经网络(eSNN)算法被提出用于解决这类问题。大多数的进化脉冲神经网络是以添加策略来调整脉冲神经网络结构,该策略无法充分利用数据之间的相互关系,有进一步的提升空间。为此,本论文的第二个主要工作是提出了SpikeCD进化脉冲神经网络算法,该算法依赖聚类简并策略,通过监督学习和非监督学习相结合的方式,动态调整脉冲神经网络结构。该算法能在实现简单网络结构的同时,取得更加优秀的识别精度,同时该算法具有很强的鲁棒性,对参数不敏感,节约了大量参数优化的时间。