深度神经网络由于尺寸过大难以在资源有限的嵌入式设备中部署,同时,其存在严重的冗余和过高的复杂度。因此,对深度神经网络进行高效的压缩和加速,十分具有研究价值。为了解决这一问题,本文提出了采用粒子群算法优化深度神经网络压缩。本文提出的深度神经网络压缩方法分为四步进行:第一步,对预训练模型使用基于稀疏度的剪枝方法,将其冗余的权值删除;第二步,使用K--means++方法对剪枝后的网络各层权值进行聚类,原先权值用聚类所得的中心值代替,各层共享中心权值进而压缩了网络的规模;第三步,量化各层聚类后的权值,量化过程减少了表示权值所需要的比特位从而实现了深度神经网络的最终压缩;第四步,使用粒子群算法微调网络参数,避免陷入局部最优解,恢复网络准确度。本文通过在LeNet-300-100、LeNet-5和VGG-16网络中进行压缩实验,得出压缩率和准确率。在准确率不下降甚至提升的前提下,压缩方法可以达到30-40倍的压缩效果,使得深度神经网络可以在嵌入式设备中进行部署。