随着深度学习的研究和发展,卷积神经网络在计算机视觉等领域取得了突破性的进展。然而卷积神经网络中存在大量参数,需要占用较多的计算和存储资源,这导致模型难以部署在资源有限的移动设备上。为了减少模型对硬件资源的消耗,卷积神经网络剪枝压缩技术被广泛研究。目前关于剪枝方法的研究中,基于参数重要性的剪枝和基于参数稀疏性的剪枝是两个重要的研究方向。本文针对这两个方向的主要研究内容如下:提出一种基于注意力机制的参数重要性衡量算法,该算法借助注意力模块,给卷积神经网络中同层滤波器的输出通道赋予权重,并以此计算滤波器重要性,在滤波器级别指导网络剪枝。实验结果表明,在相同剪枝比例下,本文提出的算法可以获得更高的准确率。在基于参数稀疏性的剪枝方面,提出一种基于正则化的全局剪枝算法,解决如何自适应地控制卷积神经网络中各层剪枝比例的问题。通过对通道权重应用L1正则化,将权重趋近于0的通道移除。使卷积神经网络自主地进行通道级别的特征选择,增强结构稀疏性。此外,针对Tensorflow框架下基于掩膜运算的剪枝在性能上的缺陷,本文提出一种能够有效实现参数裁剪效果的剪枝方法。实验结果表明,基于正则化的全局剪枝方法能够进一步提高剪枝效果。设计并实现了基于压缩卷积神经网络的移动端植物识别应用,进行了需求分析、系统总体设计、数据库设计和系统详细设计,并完成了功能和性能测试。测试结果表明该应用能够在离线环境下完成植物种类的识别,并且具有操作简单、性能良好的特点。