深度卷积神经网络(Deep Convolutional Neural Networks,DCNNs)已经在图像分类、目标检测和语义分割等诸多领域取得了显著的成功。然而,这一良好的性能伴随着大量的存储空间和巨大的计算成本,因为没有高效的图形处理单元(Graphics Processing Unit,GPU)的支持,给DCNNs在计算资源有限的移动设备上的部署带来了巨大的困难。为了解决此问题,通过模型剪枝去减少卷积神经网络的内存使用量和计算工作负载吸引了越来越多的关注。现有的剪枝方法,如基于ADMM的剪枝、基于彩票假设的剪枝、基于显著性的剪枝和基于Auto ML的剪枝,往往只关注模型存储空间的压缩,而忽略了计算工作负载对于硬件部署的重要性。针对目前剪枝方法存在的参数量压缩倍数远远大于计算量压缩倍数的问题,本文以平衡神经网络参数量和计算量剪枝为中心,对神经网络非结构化剪枝算法进行了研究改进:(1)针对以往剪枝算法忽略计算量压缩的问题,本文提出了一种基于全局统计信息的软迭代剪枝算法。统计了经典神经网络中参数量和计算量的分布,引入了计算强度的概念。通过网络层计算强度和整个网络平均计算强度的比较,将网络层划分为计算量显著型网络层和参数量显著型网络层。改进了全局剪枝算法,根据计算量显著型网络层和参数量显著型网络层权值的显著性得分,对两类网络层设置各自的剪枝率进行独立剪枝,平衡网络参数量和计算量的剪枝倍数。该算法在设置两类网络层的剪枝率后,可以自动获取层级剪枝率,剪枝与再训练迭代执行,纠正了错误剪枝,保证了剪枝网络的性能。(2)基于Auto ML,本文提出了一种基于遗传算法的多目标约束型卷积神经网络非结构化剪枝方法。该方法在深度卷积神经网络剪枝过程中,将多约束的卷积神经网络模型剪枝过程建模为一个多目标联合优化问题。通过引入一种改进型的遗传算法,在卷积神经网络架构空间中搜索出最佳的稀疏网络结构;然后在此结构上,人工设置期望的内存使用量目标和计算工作负载目标的剪枝倍数,从而得到能够同时满足两项硬件约束条件的最优剪枝结果。该方法解决了现有剪枝方法只关注模型参数量减少,而忽略计算量的问题。使得深度卷积神经网络的内存使用量剪枝和计算工作负载剪枝达到平衡。实验结果显示,本文所提出的剪枝方法不仅可以有效减少模型的参数量和计算量冗余,还可以显著减少专用加速电路的运算开销,使得剪枝后的稀疏网络部署到嵌入式移动平台,实现计算加速。