深度卷积神经网络（Deep Convolutional Neural Network，DCNN）是一类令人瞩目的深度学习算法模型,在诸多实时计算机视觉任务和图像处理任务中取得了巨大成功。然而,包括ResNet和VGG网络在内的许多先进的DCNN模型往往含有数十亿个学习权重,且其推理需经历数十亿次浮点运算（FloatingPoint Operations,FLOPs）,这对有限的内存资源来说是一个严重的问题。这些庞大复杂的模型有着繁重的推理代价,特别是当模型部署于电源受限的系统时,功耗过大,同时计算能力也可能不足。DCNN的实际应用通常受到了模型大小、内存占用和FLOPs数量的极大影响。DCNN的强大功能来自于其数量庞大且具有模型结构数据的学习权重。而在推理时,这些学习权重必须保存在硬盘和RAM中。此外,即便在只有一张输入图像的情况下,中间激活层操作在推理过程中也可能会比加载模型权重占用更多的RAM。另一方面,对高清图像的卷积操作计算量也非常巨大,进而为其实际应用带来障碍。因此,压缩DCNN模型的大小,使其在实际任务中同时具有低功耗和高计算能力,且在精度上无甚减少是至关重要的。针对上述问题,本文提出了相应解决方案。论文的主要工作和贡献总结如下:1.将有上限的L1-范数与常规L1-范数相结合,而两种范数的组合可在滤波器选择和正则化之间取得权衡。对几乎所有网络层选取L1-范数小的滤波器并置零,以便在后续的通道级进行修剪。进一步的正则化参数对性能几乎没有影响。修剪非关键通道可能暂时降低性能,但这种影响可以通过对修剪后的网络进行微调来补偿。与原始的宽架构网络相比,经过修剪的瘦身网络,在运行时内存占用、模型大小和计算成本方面都要紧凑很多。此外,所提出的方法在网络没有精度损失的情况下修剪了 56.4%的参数,取得了比其他先进方法更好的效果。在多个数据集上的实验表明,该方法可以压缩模型的大小并获得更好的精度;2.设计了改进的LASSO惩罚,也称为线性回归任务中的组LASSO惩罚。组LASSO惩罚可用于在组级别上强制执行稀疏性,如某组一旦被执行该操作则其中的所有成员全部置0。应用稀疏组LASSO还可以对非稀疏变量组实施进一步的稀疏性。本方法将单个特征图视为单个组,并将特征图中的权重作为组内数值。进而,利用优化策略可删除整个特征图及其对应的权重。所得到的瘦身网络架构具有更快的推理速度和更紧凑的模型尺寸。实验证明了该方法能有效解决模型尺寸过大的问题,并获得与未修剪模型相似的精度;3.提出了一种基于相关性的滤波器修剪方法（Correlation-based Filter Pruning,CFP）以训练更为可靠的卷积神经网络模型。与现有方法不同,CFP根据相关特征图中可用的信息量去除无用的滤波器。用相关性描述特征图所携带信息的重复程度,并设计了一个特征选择机制以生成修剪方案。迭代多次修剪和微调过程以获得纤瘦而密集的网络,同时保持与未修剪模型相似的精度。对不同先进网络在多个标准数据集上的实验验证了所提方法的有效性。例如,在ImageNet上修剪ResNet-50时,该方法去除了 44.6%的滤波器权重并节省了 51.6%的FLOPs,同时获得了 0.5%的精度增益。