随着人们对人工智能设备需求的增加,深度神经网络算法得到了越来越多的应用和发展。但是,随之而来的问题也是显而易见的,深度学习模型的大小随着数据集规模的增加呈现几何式增长,一个深度卷积神经网络通常涉及到数百万个参数层,这极大的提高了对系统存储能力的要求,而受限制于移动设备规格和电池容量等因素,导致系统存储能力往往不能够满足深度卷积神经网络的要求。为了解决这一问题,本文针对如何压缩深度神经网络提出了方法——灵敏度剪枝方法,从而降低了对系统存储的要求。基于灵敏度的剪枝分为三步:首先,对深度网络模型进行初始训练;其次,为了实现网络稀疏化,将灵敏度作为剪枝的一个衡量量,删除对网络贡献不大的连接;最后,进一步训练学习以确定当前稀疏网络连接的权重,从而实现网络的初步压缩,且不损失网络精度。在此基础上,使用k-means++聚类算法对每层的权重进行聚类,使得用多个连接可以共享同一个聚类中心值,从而有效的降低了需要存储的权重数量。随后,采用聚类中心值实现网络量化,再训练,并得到更新后的聚类中心。量化过程可以进一步压缩网络的大小,以减少网络内存的占用,达到压缩的目的。本文的实验是在caffe平台下对LeNet网络、VGG-16网络和AlexNet网络等深度卷积神经网络进行压缩。通过与试错法对网络剪枝的方法进行比较,本文提出的基于灵敏度比其更加有效,将LeNet-5网络压缩了 37.5倍,比试错法提高了 1.5倍;LeNet-300-100压缩了 35倍,比试错法提高了 1倍;VGG-16网络压缩了41倍和AlexNet网络压缩了 34倍,提高了压缩率且不损失精度,达到了实验目的,使得复杂的深度神经网络可以在移动应用设备上部署。