近年来高效能卷积神经网络模型广泛应用于机器视觉检测并取得了突破性进展,但是已有的深度卷积神经网络模型存在内存消耗高、计算量大、参数众多的弊端,阻碍其在资源有限的嵌入式和移动设备上的应用。因此如何在保持深度模型性能的基础上,将其应用于资源有限的平台成为一个关键问题。而模型压缩技术能够有效解决上述问题,它通过修剪卷积层间多余的连接和通道或对卷积核进行分解,能够减少模型冗余、降低存储空间和能量消耗。然而已有的模型压缩工作往往忽视了深度卷积神经网络中的权重矩阵兼具低秩和稀疏的属性,导致压缩过程易受到迭代训练,压缩比不高,精度下降的影响。针对这一问题,本文对深度卷积神经网络模型的压缩方法进行研究,提出了将权重矩阵分解为低秩分量和稀疏分量的模型压缩方法。具体研究内容如下:(1)提出一种将权重矩阵的低秩稀疏分解与权值重要性动态分析相结合的压缩框架。该方法首先借助GoDec算法将权重矩阵分解为低秩分量矩阵和稀疏分量矩阵,并对低秩矩阵进一步分解,通过对各分量迭代优化,得到全局最优解。然后在每次修剪前,对各层权值重要性进行分析并按重要性排序进行修剪。最后将不含有低秩成分的网络层作为分解的特例,提出相应的稀疏分解方法。(2)针对GoDec算法分解得到的稀疏分量矩阵中元素分布无规律的问题,提出了一种规律性稀疏低秩分解的压缩方法。对分解得到的稀疏分量引入规律性稀疏诱导范数,利用稀疏矩阵各元素间的相关性,将其约束为一个非零元素结构化分布的规律性稀疏矩阵。提高模型的稀疏度,减少索引数目,进而降低存储空间。(3)在实验分析阶段,首先对网络模型中各层压缩敏感度进行分析,合理确定各网络层的压缩率。最后在CIFAR-10和CIFAR-100数据集上,对训练好的AlexNet、VGG-16和GoogLeNet模型进行压缩实验。实验结果表明,本文提出的两个方法均可以显著减少各网络模型卷积层和全连接层的参数。在分类准确率无明显下降的情况下,均对AlexNet实现了 10倍的压缩比,且对VGG-16的压缩比高达16倍。较之“三步剪枝”法和Tucker分解法,我们的方法能在相同压缩比下获得更佳的分类精度,且优化后的压缩方法性能更好。